ScholarGate
Assistent
Machine learning

Ridge Regression

Ridge Regression ist eine L2-regularisierte lineare Regressionsmethode, die 1970 von Arthur Hoerl und Robert Kennard eingeführt wurde und Multikollinearität reduziert, indem sie eine Strafe auf die Größe der Koeffizienten hinzufügt. Sie schrumpft Koeffizienten in Richtung Null, ohne sie exakt auf Null zu setzen, und liefert stabilere Schätzungen, wenn Prädiktoren stark korreliert sind.

In MethodMind öffnenDemnächstVideoDemnächstDownload slides

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Method map

The neighbourhood of related methods — select a node to explore.

+22 more

Quellen

  1. Hoerl, A.E. & Kennard, R.W. (1970). Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12(1), 55–67. DOI: 10.1080/00401706.1970.10488634

So zitieren Sie diese Seite

ScholarGate. (2026, June 1). Ridge Regression (L2-Regularized Linear Regression). ScholarGate. https://scholargate.app/de/machine-learning/ridge-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.

Compare side by side

Referenziert von

ScholarGateRidge Regression (Ridge Regression (L2-Regularized Linear Regression)). Abgerufen am 2026-06-15 von https://scholargate.app/de/machine-learning/ridge-regression · Datensatz: https://doi.org/10.5281/zenodo.20539026