毒品成瘾问题对社会治安和国家稳定是一个不小的威胁因素。因此,加深对吸毒者心理因素的特点和加工方式的了解,针对吸毒群体开展有效的心理治疗,对提高吸毒者心理特质及今后的戒毒工作具有重要意义。前人研究中常使用回归分析探索变量间的关系,同时使用此方法对结果变量进行预测和筛选。在采用回归模型分析数据的心理学研究中,最小二乘法是最常用的模型系数估计方法,但这种传统方法存在以下两点不足:其一是多重共线性,即在回归模型中多个预测变量之间存在相关关系,这使得估计得到的回归系数易于受到样本数据的影响,从而导致估计结果的稳定性较差;其二是过度拟合,这使得所得模型只适用于当前样本,缺乏概化能力。而机器学习方法可以弥补传统方法的这些不足之处。机器学习方法中的Ridge回归、Lasso回归和弹性网络算法,对高度相关变量的回归系数施加惩罚,从而解决了传统统计的限制性共线性假设。Ridge回归将不重要的预测变量系数缩小为零。Lasso回归和弹性网络回归算法可以将系数精确地缩小到零,从而对更简单的模型进行子集选择。目前很少有研究使用该方法,故本研究在前人研究的基础上使用机器学习中这三种方法,以期识别出影响毒品成瘾的关键心理风险因素,为戒毒与禁毒相关研究与实践提供更多理论和工具上的参考。本研究使用自编量表对正常人群和从天津市某戒毒所抽取的吸毒者进行施测,共677名被试,其中吸毒者317名,正常人360名。之后使用Ridge回归、Lasso回归和弹性网络算法随机抽取70%（n=474）的有效数据集作为训练样本集,剩余30%（n=203）作为测试样本集。结果发现,所使用的不同机器学习统计算法的结果非常相似。在所建立的模型中,相对于其他变量,责任心表现出了最大的相对重要性,其Ridge回归、lasso回归和弹性网络算法的重要性系数分别为0.036、0.040、0.040,其次是易分心和社会偏见,其Ridge回归、lasso回归和弹性网络算法的重要性系数分别为0.026、0.023、0.026和0.025、0.022、0.024。