lasso

En estadística y aprendizaje automático, lasso (least absolute shrinkage and selection operator; también Lasso o LASSO) es un método de análisis de regresión que realiza tanto la selección de variables como la regularización para mejorar la precisión de la predicción y la interpretabilidad del modelo estadístico resultante. Fue introducido originalmente en geofísica, y posteriormente por Robert Tibshirani, quien acuñó el término. Lasso se formuló originalmente para modelos de regresión lineal. Este caso simple revela una cantidad sustancial sobre el estimador. Estos incluyen su relación con ridge regression y best subset selection y las conexiones entre las estimaciones de coeficientes de lasso y el denominado soft thresholding. También revela que (como en la regresión lineal estándar) las estimaciones de coeficientes no necesitan ser únicas si las covariables son colineales. Aunque se definió originalmente para regresión lineal, la regularización lasso se extiende fácilmente a otros modelos estadísticos, incluidos generalized linear models, generalized estimating equations, proportional hazards models y M-estimators. La capacidad de Lasso para realizar selección de subconjuntos depende de la forma de la restricción y tiene una variedad de interpretaciones, incluidas en términos de geometría, estadística bayesiana y análisis convexo. LASSO está estrechamente relacionado con basis pursuit denoising.