Регуляризирана логистична регресия
Регуляризираната логистична регресия разширява стандартната логистична регресия чрез добавяне на L1 (lasso), L2 (ridge) или еластична мрежа (elastic net) наказание към логаритмичната правдоподобност, свивайки коефициентите към нула и предотвратявайки пренастройване (overfitting). Тя е стандартният избор за бинарна или мултиномна класификация, когато искате интерпретируеми, разредени (sparse) или стабилни оценки на коефициентите в пространства с много признаци (high-dimensional) или колинеарни признаци.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Как да цитирате тази страница
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/bg/machine-learning/regularized-logistic-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
- Линеен дискриминантен анализ (LDA)Машинно обучение↔ compare
- Логистична регресия (ML)Машинно обучение↔ compare
- Наивен БейсМашинно обучение↔ compare
- Регуляризирана линейна регресияМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →