自适应LASSO（adaptive LASSO），理学-统计学-数理统计-置信推断，一种同时进行特征选择和正规化的方法，旨在增强统计模型的预测准确性和可解释性，是对LASSO算法（least absolute shrinkage and selection operator algorithm）的推广。又称aLASSO。自适应LASSO算法最早由美国明尼苏达大学邹辉基于线性模型的最小二乘回归提出。LASSO算法最初由美国斯坦福大学统计学R.蒂施莱尼（Robert Tibshirani）于1996年提出，其基础是美国科学院院士L.布赖曼（Leo Breiman）的非负参数推断，其思想是用回归系数的绝对值之和不超过某常数作为限制条件获得惩罚最小二乘估计，又译最小绝对值收敛和选择算子。其基本形式线性模型如下：式中为因变量向量；为设计矩阵；为未知的真实系数向量；为随机误差向量。假定数据都已中心化，故不包含截距项。自适应LASSO估计量求解目标函数如下：式中为预设的调节参数，用以决定正则化的程度；为的权重。当时，自适应LASSO算法即为LASSO算法。