线性惩罚模型（penalized linear model），理学-统计学-大数据统计分析-机器学习，在因变量与自变量存在线性关系时，通过对系数进行惩罚以选择重要变量、估计系数的方法。发展史线性惩罚模型是高维数据研究领域广受欢迎的一类方法，通过对模型的回归系数进行约束，使部分系数压缩为零，实现变量选择，克服了传统方法计算量大和稳定性差等缺点。最早的惩罚函数方法是美国统计学家L.布雷曼[注]提出的非负绞杀（non-negative garrote；NNG）方法，但是具有里程碑意义的是由R.蒂施莱尼[注]提出的套索回归（Lasso）方法。基于Lasso的思想，学者们又相继提出了多种惩罚函数方法，例如平滑剪切绝对偏差（SCAD）惩罚、极小极大凹惩罚（MCP）等。