Lasso是最小二乘的一个改进
核心是加入了惩罚项
效果是变量选择
开创了一个近二十年的领域
喂饱了不少统计学家
变量选择
什么是变量选择？
在回归模型中，选择最能够解释Y的解释变量的过程，称为变量选择。
不做变量选择的后果：
一、严重的多重共线性
二、计算量大
三、数据成本昂贵
常见的变量选择方法：
前进法、后退法、逐步回归法 Lasso
一张图理解LASSO！
相关知识补充
关于模型选择的标准：
一，模型的准确性（prediction accuracy）
二，模型的可解释性（parsimony）
例子：
1，变量选择模型，比如向前法、向后法、逐步回归，可解释性较好，但是预测的准确性较差。
2，岭回归的准确性较好，但是可解释性较差。
3，Lasso很好的平衡了模型的准确性和模型的可解释性，但是运算量比较大。
对于岭回归的再理解
