使用赤池信息量准则（AIC），贝叶斯信息准则（BIC）和交叉验证（CV）来选择Lasso模型的最优正则化参数alpha。
LassoLarsIC的结果依赖AIC/BIC准则。
基于信息准则的模型选择非常快，但是它依赖于对模型自由度的正确估计、大样本数据以及假设模型是正确的等等。数据实际是由这个模型产生的。当特征数大于样本数时，它们也会崩溃。
对于交叉验证，我们使用20折、2种算法计算Lasso路径：LassoCV坐标下降法（coordinate descent），LassoLarsCV使用最小角回归法Lars (least angle regression) 。这两种算法得到大致相同的结果。他们的不同来自于运算速度和数值错误的来源。
Lars计算路径解决方法只针对路径上的每一个kink，在只有很少的样本或特征的情况下，kinks也很少，Lars是非常高效的。并且Lars能计算全路径而不用设置任何目标参数。相反，坐标下降法是在事先指定的网格（使用默认值）计算路径点。在网格点的数量比kink数量少的情况下是高效的。如果特征的数量非常大并且有足够的样本来选择，这种策略是很有趣的。在数值误差方面，对于高度相关的变量，Lars方法将计算更多的误差，而坐标下降算法只会计算在网格路径上的样本点。
