LASSO准则（LASSO least absolute shrinkage and selection operator) criterionor），理学-数学-数理统计学-回归分析，同时进行变量选择和参数估计的一种回归分析方法。在统计学和机器学习中，采用Lasso （least absolute shrinkage and selection operator）是为了增强所得统计模型的预测精度和可解释性。它是基于L.布雷曼（Leo Breiman）的Nonnegative Garrote方法，由R.蒂施莱尼（Robert Tibshirani）在1996年提出。Lasso最早是为了最小二乘模型所设计，而这一简单的模型反映Lasso与岭回归（ridge regression）和最优子集选择（best subset selection）的联系，以及其与软门限估计（soft thresholding）的联系。考虑一个线性回归模型：式中为第个样本的因变量取值；为第个自变量的第个样本取值；为第个自变量对应的回归系数；，为样本个数，，为自变量个数。