Lasso-regression
Lasso-regression, introduceret af Robert Tibshirani i 1996, er en lineær regressionsmetode, der tilføjer en L1-straf til tabsfuntionen, så den krymper koefficienter og udfører variabelselektion samtidigt, hvilket resulterer i en sparsom model. Ved at drive nogle koefficienter præcist til nul beholdes kun de prædiktorer, der er relevante.
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.
+15 more
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/da/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 NetMaskinlæring↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Principal Component AnalysisMaskinlæring↔ compare
- Ridge-regressionMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →