在本论文中，我们对L1正则化的广义线性模型引入一种路径-随从算法。L1正则化程序非常有用是因为它实际上是根据对系数的L1范数的惩罚量来选择变量，选择的方式没有前向选择/后向删除那么贪婪。广义线性模型路径算法沿着整个正则化的路径，使用凸-优化的预估-校正子有效地求解。选择正则化参数的步长在控制整体路径的精确性上很重要；我们建议直观且灵活的选择合适的值。我们解释了针对几个仿真数据集以及实际数据集的运行情况。　　 本论文分为五章。第一章中我们用更详细的例子及证明来描述和支持我们的方法。在第二章，我们展现了广义线性模型路径算法的细章。在第三章，我们通过仿真数据集和实际数据集解释了该方法，数据集中包含一个由7000多个基因组成的微阵列数据。在第四章将路径-随从算法扩展到Cox比例风险模型。在第五章，我们作了总结。