Regresión logística regularizada
La regresión logística regularizada extiende la regresión logística estándar añadiendo una penalización L1 (lasso), L2 (ridge) o de elastic net a la log-verosimilitud, lo que reduce los coeficientes hacia cero y previene el sobreajuste. Es la elección por defecto para la clasificación binaria o multinomial cuando se desean estimaciones de coeficientes interpretables, dispersas o estables en espacios de características de alta dimensión o colineales.
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.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Cómo citar esta página
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/es/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 NetAprendizaje automático↔ compare
- Análisis Discriminante Lineal (LDA)Aprendizaje automático↔ compare
- Regresión Logística (ML)Aprendizaje automático↔ compare
- Naive BayesAprendizaje automático↔ compare
- Regresión Lineal RegularizadaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →