關(guān)于Ridge和Lasso回歸模型，其特性主要體現(xiàn)在損失函數(shù)的懲罰項上。根據(jù)題目選項，我們可以進行如下分析：

### 選項分析
- **A: Ridge的損失函數(shù)里使用的是L1范式**
- 錯誤。Ridge回歸使用的是L2范式（也稱為L2正則化或嶺回歸），即在損失函數(shù)中加入的是參數(shù)的平方和的懲罰項。

- **B: Lasso的損失函數(shù)里使用的是L1范式**
- 正確。Lasso回歸使用的是L1范式（也稱為L1正則化），即在損失函數(shù)中加入的是參數(shù)絕對值和的懲罰項。

- **C: Ridge的對參數(shù)做一個懲罰，懲罰越大，參數(shù)越接近0**
- 正確。Ridge回歸通過L2正則化對參數(shù)進行懲罰，懲罰力度越大，參數(shù)的值會越接近0，但不會完全為0。

- **D: Lasso的對參數(shù)的懲罰力度大，懲罰越大，直接將參數(shù)值變成0**
- 正確。Lasso回歸通過L1正則化對參數(shù)進行懲罰，當(dāng)懲罰力度較大時，它可以將某些參數(shù)直接縮小為0，從而實現(xiàn)特征選擇。

### 專業(yè)分析
Ridge和Lasso回歸都是線性回歸的拓展形式，通過引入正則化項來約束模型，使其更具泛化能力，避免過擬合。

- **Ridge（L2正則化）**：
- 目標(biāo)：最小化\(\frac{1}{2n} \sum_{i=1}^n (y_i - \hat{y_i})^2 + \alpha \sum_{j=1}^p \theta_j^2\)
- 將模型復(fù)雜度通過參數(shù)平方和來約束，偏向于縮減參數(shù)但不將其歸零。

- **Lasso（L1正則化）**：
- 目標(biāo)：最小化 \(\frac{1}{2n} \sum_{i=1}^n (y_i - \hat{y_i})^2 + \alpha \sum_{j=1}^p |\theta_j|\)
- 可以有效地將部分參數(shù)縮減為零，適合用來進行特征選擇。

綜上所述，正確答案為：**B、C、D**。