Regulariseret Lineær Regression
Regulariseret lineær regression tilføjer et strafled til den ordinære mindste kvadraters-objektivfunktion, hvilket skrumper eller nulstiller koefficienter for at reducere overtilpasning og håndtere multikollinearitet. De tre hovedvarianter — Ridge (L2-straf), Lasso (L1-straf) og Elastic Net (kombineret L1+L2) — gør lineær regression anvendelig, selv når antallet af features overstiger antallet af observationer, eller når prædiktorer er stærkt korrelerede.
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.
+2 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 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
Sådan citerer du denne side
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/da/machine-learning/regularized-linear-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
- Lineær regression (ML)Maskinlæring↔ compare
- Logistisk regression (ML)Maskinlæring↔ compare
- Regulariseret logistisk regressionMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →