是的，您正在询问（或考虑）的过程称为轻松套索。

一般的想法是，在第一次执行 LASSO 的过程中，您可能包括“噪声变量”；对第二组变量（在第一个 LASSO 之后）执行 LASSO 可以减少作为模型一部分的“真正竞争对手”变量之间的竞争，而不仅仅是“噪声”变量。从技术上讲，这种方法的目的是克服 LASSO 在具有大量变量的数据集中的（已知的）缓慢收敛的问题。

您可以在Meinshausen (2007)的原始论文中了解更多信息。

我还推荐第 3.8.5 节关于统计学习的要素 (Hastie, Tibshirani & Friedman, 2008)，它概述了使用 LASSO 执行变量选择的其他非常有趣的方法。

这个想法是将套索的两种效果分开

1. 变量选择（即，许多，甚至大多数， s 为零）$\beta$
2. 系数收缩（即，即使是非零的绝对值也比无惩罚回归中的要小）。即使没有选择，这通常也是一件好事，因为您可以避免过度拟合。$\beta$

如果您有很多变量（），并且正在运行套索，那么您希望选择少量变量时会受到很大的惩罚。但是，此惩罚可能会过多地缩小所选变量（您拟合不足）。$p >\!\!> n$

松弛套索的想法是将两种效果分开：在第一次通过时使用高惩罚来选择变量；并在第二次通过较小的惩罚以将它们缩小较小的量。

原始论文（由 Néstor 链接）提供了更多细节。