In molte situazioni, vale la pena provare entrambi. Lasso è bravo a fornire informazioni per i fattori di interesse quando sono necessarie stime di parametri individuali con alcuni bias inclusi Lasso, perché è un tecnica di regressione penalizzata , tenta di adattare modelli migliori riducendo i coefficienti del modello verso lo zero e le stime risultanti sono distorte. Lazo è particolarmente utile per set di dati di grandi dimensioni, dove la collinearità è tipicamente un problema e f o piccoli set di dati con poca correlazione, inclusi esperimenti progettati. Lasso può essere utilizzato per ottenere modelli predittivi migliori o per selezionare variabili per la riduzione del modello o per studi futuri.
In caso di dubbio, prendere in considerazione la creazione di un numero di modelli e l'utilizzo di Confronto modelli, disponibile in JMP Pro, per confrontare i modelli.
