Regression modelRegression / GLM

Regrese s elastickou sítí

Regrese s elastickou sítí kombinuje penalizace L1 (lasso) a L2 (ridge) do jediného rámce regularizované regrese. Řídí ji smíšený parametr alfa a síllou smrštění lambda, dokáže současně vybírat proměnné a zpracovávat korelované prediktory – čímž překonává klíčová omezení čistého lasa a čistého ridge aplikovaných samostatně.

Použít v StatMindJiž brzyVideoJiž brzyDownload slides

Přečíst celou metodu

Pouze pro členy

Pro přečtení této sekce se přihlaste s bezplatným účtem.

Přihlásit se

Method map

The neighbourhood of related methods — select a node to explore.

Zdroje

  1. Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), 301-320. DOI: 10.1111/j.1467-9868.2005.00503.x
  2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. ISBN: 978-0387848570

Jak citovat tuto stránku

ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/cs/statistics/elastic-net-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.

Compare side by side

Odkazuje sem

ScholarGateElastic Net Regression (Elastic Net Regularized Regression). Získáno 2026-06-15 z https://scholargate.app/cs/statistics/elastic-net-regression · Datová sada: https://doi.org/10.5281/zenodo.20539026