随着大数据人工智能时代的来临,传统的回归分析方法在海量高维且自变量存在相关关系数据面前已经失效。本文针对回归模型的局限性以及子集特征选择方法和岭回归特征选择方法的不足,提出了Lasso特征选择方法及其改进算法,并对Lasso算法进行模拟实验及国内生产总值实证分析。当自变量之间出现多重共线性时,最小二乘估计值将会不稳定,方差变大,回归模型预测精度很低,因此如何解决自变量很多且存在多重共线性成为所研究问题的关键。子集选择法和岭回归方法可以用来处理此类问题,可是子集选择法和岭回归方法均存在不足,子集选择方法是一个离散变量选择过程,要么选择变量,要么剔除变量,因此可能会损失重要信息,而岭回归方法是连续变量压缩过程,没有将任何系数收缩为0,因而这个方法不能给出一个简单的可解释的模型。而Lasso方法结合了这两个方法的优点。本文主要介绍了Lasso回归的定义以及lasso回归相应算法,介绍了坐标轴下降算法和最小角回归算法。由于最小角回归算法的优越性,着重介绍了该算法以及其两个导向算法,向前选择算法和向前梯度算法。针对Lasso回归方法的不足,还介绍了两种lasso回归模型的改进方法,分别为自适应Adaptive Lasso模型和Elastic Net模型。并针对最小角回归算法进行了仿真实验,进一步了解了该算法选择变量的过程。最后建立最小角回归模型、Adaptive Lasso模型和Elastic Net模型对国内生产总值进行实证分析,并对这三种模型进行比较,得出了Adaptive Lasso模型具有最小的预测误差,并根据该模型回归系数进行了相关建议。