Lasso 就是加了 L1 懲罰項（權重絕對值總和）的迴歸。 想像你在整理出國的行李，航空公司規定總重量有上限。L1 的罰法是每公斤都罰一樣多，所以那些「帶了也用不到」的東西你會直接丟掉，箱子裡只留真正要用的。L2 的罰法是越重的東西罰越兇，你會把每樣東西都換成輕一點的版本，但幾乎不會整個丟掉。 絕對值函數在 0 這個點是尖角，對權重的壓縮力道不會隨權重變小而減弱。所以那些對預測沒什麼貢獻的特徵，權重會被一路推到剛好等於 0，最後只留下少數重要特徵：這就是「稀疏解（Sparse Solution）」，也是 Lasso 能兼做特徵選擇的原因。