你的问题并不完全清楚。该答案假定“特征分布”是指跨解释变量的响应的条件分布。

在一般线性模型下，回归估计是通过最小化残差平方和来获得的

$RSS = \sum\limits_{i=1}^{n} \Big(y_i - \beta_0 - \sum\limits_{j=1}^{p} \beta_j x_{ij} \Big)^2$.

相比之下，岭回归旨在最小化

$RSS + \lambda \; \sum\limits_{j=1}^p \beta_j^2$,

Lasso 回归旨在最小化

$RSS + \lambda \; \sum\limits_{j=1}^p |\beta_j|$,

在哪里$\lambda$是一个调整参数。

因此，岭回归和套索回归是一般线性模型的特例。他们添加了惩罚项，但除此之外，所有相同的条件都适用，包括在解释变量的范围内具有零均值和恒定方差的条件独立高斯残差。

从贝叶斯的角度来看，假设只是在系数的先验中。岭回归等价于使用高斯先验，而 LASSO等价于使用拉普拉斯先验。正如@whuber 所说，这些模型不对解释变量的分布做出假设。