🔑 名詞卡
Lasso（Least Absolute Shrinkage and Selection Operator）
🎯 定義
在線性迴歸損失函數中加入 L1 正則化項（權重絕對值總和）的迴歸方法：\(\text{Loss}=\sum(y_i-\hat{y}_i)^2+\lambda\sum|\beta_j|\)，能將部分係數縮為零，達到自動特徵選擇效果。
重點／應用
- 名稱意涵：Least Absolute（用絕對值限制）+ Shrinkage（讓權重變小）+ Selection Operator（自動做特徵選擇）。
- 適用：高維資料、需要特徵選擇、防止過擬合。
- 限制：高相關變數間可能只保留其中一個；λ 過大易導致欠擬合。
記憶技巧
「L1 用絕對值，能把不重要的參數縮到 0」。
易混淆
- vs Ridge：Lasso（L1）會把權重壓到 0（特徵選擇）；Ridge（L2）只會縮小權重、不會變 0。
📖 課文原文「Lasso 迴歸（Lasso Regression）：在損失函數中加入 L1 正則化項（權重絕對值和），不僅限制係數大小，還能將部分係數直接縮減為零，達到特徵選擇（Feature Selection）的效果。」