Lasso-regression är en annan form av regularisering som också lägger till en straffterm till förlustfunktionen, men som istället använder en absolutvärdet på vikterna istället för deras kvadrat. Detta har den effekten att den kan ge en modell med en mindre uppsättning av de mest relevanta faktorerna och eliminera mindre relevanta faktorer helt.
Ett exempel på detta kan vara att försöka skapa en modell för att förutsäga hjärtinfarkt baserat på en mängd olika hälsodata som blodtryck, vikt, ålder och rökvanor. Genom att använda Lasso-regression kan man minska antalet faktorer som modellen tar hänsyn till och fokusera på de mest relevanta faktorerna.