https://en.wikipedia.org/wiki/Lasso_(statistics)

几何解释

lasso可以把回归系数设为零

ridge表面上看起来和lasso很相似，但是它不能将系数设为零

二者的不同是因为限制条件的边界不同

lasso和ridge都可以看做是最小化下面的函数

不同之处在于限制条件：

lasso的是，ridge的是

L1范数是方正的，它的角是落在坐标轴上的，形状是高维超正体（cross polytope）

L2范数是圆润的，n-sphere，它没有corner

它的最值发生在切点或是角点上

贝叶斯学派解释

ridge 回归可以解释为线性回归，其系数先验地服从正态分布。（normal prior distributions）

lasso也可以被解释为，其系数服从拉普拉斯先验分布。（ Laplace prior distributions）

拉普拉斯先验分布在0处十分尖峰，比正态分布更聚焦于零附近，这也解释了为什么lasso更倾向于将一些系数设定为零。

凸松弛解释

lasso也可以看作是回归凸松弛最佳子集选取问题，找到最多k个系数，使得目标函数最小化，k<=n,n是总系数个数。