Lasso-Regression
Lasso-Regression, eingeführt von Robert Tibshirani im Jahr 1996, ist eine lineare Regressionsmethode, die eine L1-Strafe zum Verlust hinzufügt, um Koeffizienten zu schrumpfen und gleichzeitig eine Variablenauswahl durchzuführen, was zu einem spärlichen Modell führt. Indem einige Koeffizienten exakt auf Null gesetzt werden, behält sie nur die Prädiktoren, die relevant sind.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/de/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 NetMaschinelles Lernen↔ compare
- Logistische RegressionForschungsstatistik↔ compare
- HauptkomponentenanalyseMaschinelles Lernen↔ compare
- Ridge RegressionMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →