Regularisierte Lineare Regression
Die regularisierte lineare Regression fügt dem Zielkriterium der gewöhnlichen kleinsten Quadrate einen Strafterm hinzu, der Koeffizienten schrumpft oder auf Null setzt, um Überanpassung zu reduzieren und Multikollinearität zu behandeln. Die drei Hauptvarianten – Ridge (L2-Strafe), Lasso (L1-Strafe) und Elastic Net (kombinierte L1+L2-Strafe) – machen die lineare Regression auch dann nutzbar, wenn die Anzahl der Merkmale die Anzahl der Beobachtungen übersteigt oder die Prädiktoren stark korreliert 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.
+2 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 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/de/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 NetMaschinelles Lernen↔ compare
- Lineare Regression (ML)Maschinelles Lernen↔ compare
- Logistische Regression (ML)Maschinelles Lernen↔ compare
- Regularisierte Logistische RegressionMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →