Регуляризирана линейна регресия
Регуляризираната линейна регресия добавя наказателен член към целевата функция на обикновените най-малки квадрати, свивайки или нулирайки коефициентите, за да намали преобучаването и да се справи с мултиколинеарността. Трите основни варианта — Ridge (L2 наказание), Lasso (L1 наказание) и Elastic Net (комбинирано L1+L2) — правят линейната регресия използваема дори когато броят на признаците надвишава броя на наблюденията или когато предикторите са силно корелирани.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Източници
- Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288. DOI: 10.1111/j.2517-6161.1996.tb02080.x ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
Как да цитирате тази страница
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/bg/machine-learning/regularized-linear-regression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Elastic NetМашинно обучение↔ compare
- Линейна регресия (Мл)Машинно обучение↔ compare
- Логистична регресия (ML)Машинно обучение↔ compare
- Регуляризирана логистична регресияМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →