Regrese Lasso
Regrese Lasso, představená Robertem Tibshiranim v roce 1996, je metoda lineární regrese, která přidává L1 penalizaci k chybě, aby zmenšila koeficienty a současně provedla výběr proměnných, čímž vytvoří řídký model. Tím, že některé koeficienty přesně vynuluje, ponechá pouze prediktory, na kterých záleží.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/cs/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 NetStrojové učení↔ compare
- Logistická regreseStatistika ve výzkumu↔ compare
- Analýza hlavních komponentStrojové učení↔ compare
- Ridge regreseStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →