Lasso回归是一种方法，我们可以使用它来拟合回归模型。尤其是当数据中存在多重共线性时，常规的最小二乘法的算法会有很多冗余项。而LASSO回归可以用来筛选自变量。

简而言之，最小二乘回归试图找到系数估计，以最小化

平方残差和（RSS）：

RSS = Σ(yi – ŷi)2

其中：

Σ：希腊符号，表示总和 yi：第i个观测值的实际响应值 ŷi：基于多元线性回归模型的预测响应值

相反，Lasso 回归试图最小化以下内容：

RSS + λΣ|βj|

其中j的范围从1到p预测变量，λ≥0。

该方程中的第二项称为收缩惩罚。 在Lasso回归中，我们选择一个λ值，该值产生最低可能的测试MSE（mean squared error 均方误差）。

本教程提供了如何在R中执行Lasso回归的逐步示例。

步骤1 加载数据：

对于此示例，我们将使用R内置数据集mtcars。我们将使用hp作为响应变量，并使用mpg wt drat qsec作为预测变量：

要执行Lasso回归，我们使用glmnet包来做Lasso回归。 此包要求响应变量为向量，并且预测变量集必须为类data.matrix。