Bayesiansk Ridge Regression
Bayesian Ridge Regression er en probabilistisk formulering af ridge regression, introduceret af David J. C. MacKay i 1992, hvor regulariseringsstyrken og støjpræcisionen ikke fastsættes af analytikeren, men i stedet estimeres automatisk ved at maksimere den marginale likelihood (evidens) af de observerede data. Resultatet er en fuld posterior fordeling over regressionsvægtene sammen med kalibreret forudsigelsesmæssig usikkerhed.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- MacKay, D. J. C. (1992). Bayesian Interpolation. Neural Computation, 4(3), 415–447. DOI: 10.1162/neco.1992.4.3.415 ↗
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 3). Springer. ISBN: 978-0-387-31073-2
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Ridge Regression (MacKay Probabilistic Regularisation). ScholarGate. https://scholargate.app/da/machine-learning/bayesian-ridge-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 NetMaskinlæring↔ compare
- Lasso-regressionMaskinlæring↔ compare
- Ridge-regressionMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →