LASSO模型，全稱Least absolute shrinkage and selection operator，是一種在1996年由Robert Tibshirani提出的回歸分析方法。這種方法通過在模型中加入L1範數（即係數的絕對值之和）的懲罰項，使得一些回歸係數被壓縮至零，從而實現對變數的選擇和降維。
LASSO的主要特點是它的稀疏性，這意味著它能夠產生許多為零的係數估計，這有助於減少模型的複雜度並提高其可解釋性。此外，LASSO還具有變數選擇的功能，能夠從數據中選擇出與因變數關係最強的變數。
LASSO模型適用於高維數據，即特徵數量遠大於樣本數量的情況。在這種情況下，LASSO能夠有效地進行特徵選擇，防止過擬合。然而，需要注意的是，LASSO模型不具有無偏性和一致性，也不具有Oracle屬性。
在求解LASSO模型時，通常使用坐標下降法或最小角回歸（LARS）算法。這些算法能夠在高維數據上有效地求解LASSO模型，使得LASSO在實際套用中非常流行。