LS、WLS、LASSO、LOESS 的异同点总结

相同点：

1. 回归方法：均用于建立自变量与因变量之间的关系模型。

2. 最小二乘基础：LS、WLS 和 LASSO 均基于最小化残差平方和的框架（WLS 加权，LASSO 加入正则项）；LOESS 在局部使用加权最小二乘进行拟合。

3. 线性模型关联：LS、WLS 和 LASSO 均适用于线性模型（全局或局部线性假设），而 LOESS 是局部非参数方法。

不同点：

关键总结：

• LS 是基础方法，简单高效但假设严格；

• WLS 扩展了 LS，专门解决异方差问题；

• LASSO 通过 L1 正则化实现变量选择，适用于高维数据；

• LOESS 是灵活的非参数方法，适合探索复杂非线性关系，但计算成本高。

根据数据特性（线性/非线性、维度、异方差性）和分析目标（解释性、预测、变量选择），选择合适的方法。