---
title: "Lasso 迴歸（L1 正則化迴歸）（Lasso Regression）"
slug: lasso-regression
language: zh-TW
source: https://aiterms.tw/terms/lasso-regression
updated_at: 2026-06-22
tags: [正則化, 特徵選取, 線性模型, L1 懲罰, 稀疏模型, 機器學習]
ipas_term: false
---

# Lasso 迴歸（L1 正則化迴歸）（Lasso Regression）

一種在線性迴歸損失函數中加入 L1 懲罰項的迴歸方法，可自動將不重要特徵係數壓縮至零，實現特徵選取。

## 完整說明

Lasso 迴歸（Least Absolute Shrinkage and Selection Operator）是線性迴歸的正則化變體，透過在損失函數中加入係數絕對值之和（L1 範數）作為懲罰項，使模型在訓練過程中自動縮減部分特徵係數至恰好為零，同時完成特徵選取與避免過擬合。

## 常見問題

### Lasso 迴歸與 Ridge 迴歸最主要的差異是什麼？

Lasso 使用 L1 懲罰項（係數絕對值之和），能將部分特徵係數壓縮至恰好為零，因此同時具有特徵選取的功能；Ridge 使用 L2 懲罰項（係數平方和），只能縮小係數但無法使其為零，適合所有特徵均有貢獻的情境。Lasso 適合高維稀疏問題，Ridge 適合特徵間存在多重共線性的情境。

### 使用 Lasso 迴歸前需要對資料做哪些前處理？

Lasso 迴歸對特徵的量綱（scale）非常敏感，因為懲罰項是對係數大小的直接懲罰。若各特徵的數值範圍差異很大，量綱大的特徵係數天然就較小，而量綱小的特徵係數較大，導致懲罰不公平。因此在使用 Lasso 前 MUST 對所有特徵進行標準化（零均值、單位方差），或至少做最大最小值縮放，確保每個特徵在相同的數值範圍內。

### 如何選擇 Lasso 的 λ 值？

λ 是控制正則化強度的超參數，通常透過交叉驗證（Cross-Validation）選擇。實務上可先用對數尺度搜尋 λ 的候選值範圍（如 0.001 到 10），再以 k-fold CV（通常 k=5 或 10）評估每個候選 λ 對應的驗證誤差，選取驗證誤差最低的 λ。scikit-learn 的 `LassoCV` 封裝了這個流程，可自動化選取最佳 λ，省去手動調參的成本。

---

來源：https://aiterms.tw/terms/lasso-regression
快查頁：https://aiterms.tw/terms/lasso-regression
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-lasso-regression