關(guān)于Lasso回歸，正確的選項(xiàng)是 A 和 B。

以下是對每個(gè)選項(xiàng)的專業(yè)分析：

- **A: 可以使用梯度下降的方法來求最優(yōu)解**
- **正確。**
Lasso回歸可以使用梯度下降法來求解。梯度下降法是一種常用的優(yōu)化算法，適用于Lasso回歸中懲罰項(xiàng)的優(yōu)化過程。雖然直接梯度下降在處理L1范數(shù)（Lasso的懲罰項(xiàng)）時(shí)可能有收斂性問題，但可以通過一些變體或結(jié)合近似方法來實(shí)現(xiàn)。

- **B: 可以使用坐標(biāo)下降的方法來求最優(yōu)解**
- **正確。**
坐標(biāo)下降是求解Lasso回歸問題的經(jīng)典方法之一。由于Lasso的目標(biāo)函數(shù)是凸的且各坐標(biāo)的子問題可以獨(dú)立求解，坐標(biāo)下降法逐一優(yōu)化各個(gè)參數(shù)，在實(shí)踐中表現(xiàn)良好。

- **C: 使用的是L2范式**
- **錯(cuò)誤。**
Lasso回歸使用的是L1范數(shù)作為其懲罰項(xiàng)，而非L2范數(shù)。L2范數(shù)是嶺回歸所使用的懲罰項(xiàng)。

- **D: 不能做特征篩選**
- **錯(cuò)誤。**
Lasso回歸的一個(gè)主要優(yōu)點(diǎn)是可以進(jìn)行特征選擇。由于L1懲罰的特性，Lasso回歸會使得一部分特征的系數(shù)變?yōu)榱?，從而?shí)現(xiàn)特征選擇。

因此，Lasso回歸可以使用梯度下降和坐標(biāo)下降方法來求解，并且能夠?qū)崿F(xiàn)特征篩選，而使用的是L1范數(shù)而不是L2范數(shù)。