1.1.3　Lasso

对于高维数据，普通的变量筛选方法并不见效或者需要消耗高昂的计算机算力成本（时间成本）。另外，普通的变量筛选方法也难以避免模型的过度拟合，以及自变量间的多重共线性问题。

通过Lasso（套索回归），可以对估计出的系数进行限制，避免多重共线性的发生。有时甚至可以将系数缩减至0，以达到筛选变量的目的。同时由于在残差平方和RSS最小化的过程中，加入了正则化项，可以有效地避免过度拟合。

注意：Lasso可能会将存在共线性的自变量强行剔除。临床上很多指标都会存在共线性。一旦这些指标被剔除，就无法分析其与因变量Y的关系。