假设您有一个具有个预测变量的模型：。将设置为初始值，并估计你的系数。这些系数可以被认为是维空间中的一个点。 *$p$$x_1, x_2, \ldots x_p$$\lambda$$\beta_1, \beta_2, \ldots \beta_p$$p$

对下一个值重复该过程，并获得另一组估计值。这些形成了维空间中的另一个点。对所有值执行此操作，您将获得一系列这样的点。这个序列就是正则化路径。$\lambda$$p$$\lambda$

* 还有截距项所以这一切在技术上都发生在维空间中，但没关系。无论如何，大多数弹性网络/套索程序都会在拟合模型之前对变量进行标准化，因此将始终为 0。$\beta_0$$(p+1)$$\beta_0$

Lasso 解决方案的图形解释可以在文本“统计学习的要素”（在线版本）的第 69-73 页上找到。