В каких задачах предпочтительнее использовать лассо, а не гребневую регрессию?

Регрессия Гребня и Лассо позволяют упорядочить («уменьшить») коэффициенты. Это означает, что оценочные коэффициенты приближаются к 0, чтобы они лучше работали с новыми наборами данных («оптимизированы для прогнозирования»). Это позволяет использовать сложные модели и одновременно избегать переобучения.

======================================

И для Гребня, и для Лассо вы должны установить так называемый «метапараметр», который определяет, насколько агрессивно выполняется регуляризация. Метапараметры обычно выбираются перекрестной проверкой. Для регрессии Риджа метапараметр часто называют «альфа» или «L2»; он просто определяет силу регуляризации. Для LASSO метапараметр часто называют «лямбда» или «L1». 

=========================================

В отличие от Ridge, регуляризация LASSO фактически установит менее важные предикторы в 0 и поможет вам выбрать предикторы, которые можно исключить из модели. 

Два метода объединены в регуляризации «эластичной сети». Здесь могут быть установлены оба параметра: «L2» определяет силу регуляризации, а «L1» — желаемую разреженность результатов.

=========================================

ElasticNet — это модель линейной регрессии, обученная с регуляризацией коэффициентов как по норме, так и по норме. Эта комбинация позволяет изучать разреженную модель, в которой несколько весов не равны нулю, как у Лассо, при этом сохраняя свойства регуляризации Риджа. Мы управляем выпуклой комбинацией и с помощью параметра l1_ratio.

Эластичная сеть полезна, когда есть несколько функций, которые коррелируют друг с другом. Lasso, скорее всего, выберет один из них случайным образом, в то время как эластичная сеть, скорее всего, выберет оба. 

Смотри также https://informatics-ege.blogspot.com/2022/06/lasso-model-selection-aic-bic-and-cross.html