Regresión Lineal Regularizada
La regresión lineal regularizada añade un término de penalización al objetivo de mínimos cuadrados ordinarios, encogiendo o anulando coeficientes para reducir el sobreajuste y manejar la multicolinealidad. Las tres variantes principales — Ridge (penalización L2), Lasso (penalización L1) y Elastic Net (combinación L1+L2) — hacen que la regresión lineal sea utilizable incluso cuando el número de características supera el de observaciones o los predictores están altamente correlacionados.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/es/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 NetAprendizaje automático↔ compare
- Regresión lineal (ML)Aprendizaje automático↔ compare
- Regresión Logística (ML)Aprendizaje automático↔ compare
- Regresión logística regularizadaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →