Regularisierte Logistische Regression
Die regularisierte logistische Regression erweitert die Standard-Logistische Regression durch Hinzufügen einer L1- (lasso), L2- (ridge) oder Elastic-Net-Strafe zur Log-Likelihood, wodurch Koeffizienten gegen Null geschrumpft und Überanpassung verhindert werden. Sie ist die Standardwahl für binäre oder multinominale Klassifikation, wenn interpretierbare, spärliche oder stabile Koeffizientenschätzungen in hochdimensionalen oder kollinearen Merkmalsräumen gewünscht 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.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/de/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 NetMaschinelles Lernen↔ compare
- Lineare Diskriminanzanalyse (LDA)Maschinelles Lernen↔ compare
- Logistische Regression (ML)Maschinelles Lernen↔ compare
- Naive BayesMaschinelles Lernen↔ compare
- Regularisierte Lineare RegressionMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →