Regulariseret logistisk regression
Regulariseret logistisk regression udvider standard logistisk regression ved at tilføje en L1 (lasso), L2 (ridge) eller elastic net-straf til log-likelihood, hvilket skrumper koefficienter mod nul og forhindrer overfitting. Det er standardvalget til binær eller multinomial klassifikation, når man ønsker fortolkelige, sparsomme eller stabile koefficientestimater i højdimensionelle eller kollinære feature-rum.
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.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Sådan citerer du denne side
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/da/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 NetMaskinlæring↔ compare
- Lineær Diskriminant Analyse (LDA)Maskinlæring↔ compare
- Logistisk regression (ML)Maskinlæring↔ compare
- Naive BayesMaskinlæring↔ compare
- Regulariseret Lineær RegressionMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →