Regularizovaná logistická regrese
Regularizovaná logistická regrese rozšiřuje standardní logistickou regresi přidáním penalizace L1 (lasso), L2 (ridge) nebo elastic net k log-likelihood, čímž zmenšuje koeficienty směrem k nule a předchází přeučení. Je to výchozí volba pro binární nebo multinomiální klasifikaci, pokud chcete interpretovatelné, řídké nebo stabilní odhady koeficientů ve vysoce dimenzionálních nebo kolineárních prostorech příznaků.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+4 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 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 4, 18). Springer. ISBN: 978-0-387-84857-0
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/cs/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 NetStrojové učení↔ compare
- Lineární diskriminační analýza (LDA)Strojové učení↔ compare
- Logistická regrese (ML)Strojové učení↔ compare
- Naive BayesStrojové učení↔ compare
- Regularizované lineární regreseStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →