最小角回归算法（least angle regression algorithm），理学-统计学-数理统计-预测，若一个因变量由一系列潜在的协变量的子集的线性组合决定，用于决定哪些协变量应该被选入模型以及估计这些协变量系数的拟合算法。在统计学中，是一种用于高维数据的线性回归拟合算法。最早由美国统计学家B.埃弗龙、T.黑斯蒂[注]、I.约翰斯通[注]和R.蒂施莱尼[注]在《最小角回归》（Least Angle Regression）一文中提出。最小角回归算法可看作向前选择法的发展。不同的是，向前选择法在每一个步骤中会加入一个新的变量，然后不断增大该变量的系数直至其达到因变量往该变量上的投影值。而最小角回归算法并没有把一个协变量完全加入回归模型，此协变量的系数将不断增加，并将此协变量与其他协变量相比，此协变量与残差的相关系数不再是所有协变量中最大的那一时刻，即角度等分时刻，之后此协变量的系数将不再增加。基本算法如下：①所有回归系数的初始值设为0，即初始回归模型不包含任何变量。标准化所有协变量。②找出与因变量相关性最强的协变量。