これはリッジ回帰に似ており、ラッソ（Least Absolute Shrinkage and Selection Operator）も回帰係数の絶対値の大きさを罰則付けます。さらに、変動の程度を減らし、線形回帰モデルの精度を向上させることができます。以下の式を見てみましょう。

ラッソ回帰はリッジ回帰と少し異なり、罰則関数として二乗ではなく絶対値を使用します。これにより、罰則（または推定値の絶対値の和を制約することに相当）によって、いくつかのパラメータ推定結果がゼロになります。罰則値を大きくすると、さらに推定値がゼロに近づきます。これにより、与えられたn個の変数から変数を選択することになります。

要点：

• 定数項を除いて、この回帰の仮定は最小二乗回帰に似ています。

• 係数をゼロ（またはゼロに近い値）に収縮させるため、特徴選択に役立ちます。

• これは正則化手法であり、L1正則化を使用しています。

· 予測する変数群が高度に相関している場合、ラッソはその中の1つの変数を選び、他の変数をゼロに収縮させます。