باختصار
Lasso Regression نسخة من الانحدار الخطي تضيف عقوبة على القيمة المطلقة لمعاملات النموذج، وميزتها الفارقة أنها قد تُصفّر بعض المعاملات تمامًا — فتعمل كأداة اختيار متغيرات (feature selection) تلقائية إلى جانب دورها في تقليل الإفراط في التخصيص.
بالتفصيل
يضيف Lasso لدالّة الخسارة حدًا يساوي مجموع القيم المطلقة للمعاملات مضروبًا في معامل تحكّم α — وهو ما يُعرف بتنظيم L1 (L1 regularization)، بخلاف Ridge الذي يستخدم مربعات المعاملات (L2). هذا الفارق الرياضي البسيط له أثر عملي كبير: بينما ينكمش معامل Ridge تدريجيًا نحو الصفر دون الوصول إليه غالبًا، يدفع Lasso المعاملات الأقل أهمية إلى الصفر الفعلي.
النتيجة نموذج «متفرّق» (sparse) يعتمد فقط على المتغيرات الأكثر تأثيرًا فعليًا، ويستبعد الباقي تمامًا بدل الاحتفاظ بها بأوزان صغيرة. عند وجود متغيرات مترابطة فيما بينها، يميل Lasso لاختيار واحد منها فقط بشكل شبه عشوائي بدل توزيع الوزن بينها كما يفعل Ridge.
مثال عملي
لو كان لديك مئات المتغيرات المحتملة للتنبؤ بمخاطر مرض معيّن، ولا تعرف مسبقًا أيها فعليًا مؤثر، يساعدك Lasso على تصفية القائمة تلقائيًا: المعاملات التي تصل لصفر بعد التدريب تشير إلى متغيرات يمكن استبعادها بثقة معقولة من النموذج النهائي.
مصطلحات مرتبطة
Ridge Regression — التقنية المقابلة التي تستخدم تنظيم L2 ولا تصفّر المعاملات. Feature Selection (اختيار المتغيرات) — الأثر الجانبي المهم لـ Lasso. Overfitting (الإفراط في التخصيص) — المشكلة التي يعالجها كلا الأسلوبين.
المصادر: scikit-learn
