Elastic Net Regression
Elastic net regression kombinerer L1- (lasso) og L2- (ridge) straffene i et enkelt regulariseret regressionsframework. Styret af en blandingsparameter alpha og en krympningsstyrke lambda, kan den samtidigt udvælge variable og håndtere korrelerede prædiktorer – hvilket overvinder centrale begrænsninger ved ren lasso og ren ridge anvendt alene.
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
- 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 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. ISBN: 978-0387848570
Sådan citerer du denne side
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/da/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.
- Lasso-regressionMaskinlæring↔ compare
- Almindelig mindste kvadraters metode (OLS) regressionØkonometri↔ compare
- KvantilregressionØkonometri↔ compare
- Regulariseret logistisk regressionMaskinlæring↔ compare
- Ridge-regressionMaskinlæring↔ compare
- Robust RegressionStatistik↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →