Elastic-Net-Regression
Die Elastic-Net-Regression kombiniert die L1- (Lasso) und L2- (Ridge) Strafen in einem einzigen regularisierten Regressionsrahmen. Gesteuert durch einen Mischparameter alpha und eine Schrumpfungsstärke lambda, kann sie gleichzeitig Variablen auswählen und korrelierte Prädiktoren handhaben – und überwindet damit wesentliche Einschränkungen, die sich aus der alleinigen Anwendung von reinem Lasso oder reinem Ridge ergeben.
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.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/de/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-RegressionMaschinelles Lernen↔ compare
- Methode der kleinsten Quadrate (OLS)Ökonometrie↔ compare
- Quantile RegressionÖkonometrie↔ compare
- Regularisierte Logistische RegressionMaschinelles Lernen↔ compare
- Ridge RegressionMaschinelles Lernen↔ compare
- Robuste RegressionStatistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →