Regressió Lasso
La regressió Lasso, introduïda per Robert Tibshirani el 1996, és un mètode de regressió lineal que afegeix una penalització L1 a la funció de pèrdua per tal de reduir els coeficients i realitzar selecció de variables simultàniament, produint un model dispers. En portar alguns coeficients exactament a zero, només manté els predictors que importen.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/ca/machine-learning/lasso-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 NetAprenentatge automàtic↔ compare
- Regressió LogísticaEstadística per a la recerca↔ compare
- Anàlisi de Components PrincipalsAprenentatge automàtic↔ compare
- Regressió RidgeAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →