Γραμμική Παλινδρόμηση με Κανονικοποίηση
Η γραμμική παλινδρόμηση με κανονικοποίηση προσθέτει έναν όρο ποινής στη συνάρτηση κόστους των ελαχίστων τετραγώνων, συρρικνώνοντας ή μηδενίζοντας τους συντελεστές για τη μείωση της υπερπροσαρμογής (overfitting) και την αντιμετώπιση της πολυσυγγραμμικότητας (multicollinearity). Οι τρεις κύριες παραλλαγές — Ridge (ποινή L2), Lasso (ποινή L1) και Elastic Net (συνδυασμός L1+L2) — καθιστούν τη γραμμική παλινδρόμηση χρήσιμη ακόμη και όταν οι μεταβλητές πρόβλεψης υπερτερούν των παρατηρήσεων ή οι προβλεπτικοί παράγοντες είναι έντονα συσχετισμένοι.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/el/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 NetΜηχανική Μάθηση↔ compare
- Γραμμική Παλινδρόμηση (ML)Μηχανική Μάθηση↔ compare
- Λογιστική Παλινδρόμηση (ML)Μηχανική Μάθηση↔ compare
- Κανονικοποιημένη Λογιστική ΠαλινδρόμησηΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →