Regresión Elastic Net
La regresión Elastic Net combina las penalizaciones L1 (lasso) y L2 (ridge) en un único marco de regresión regularizada. Controlada por un parámetro de mezcla alfa y una fuerza de encogimiento lambda, puede seleccionar variables simultáneamente y manejar predictores correlacionados, superando así las limitaciones clave del lasso puro y del ridge puro aplicados de forma aislada.
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.
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/es/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.
- Regresión LassoAprendizaje automático↔ compare
- Regresión por Mínimos Cuadrados Ordinarios (MCO)Econometría↔ compare
- Regresión CuantílicaEconometría↔ compare
- Regresión logística regularizadaAprendizaje automático↔ compare
- Regresión RidgeAprendizaje automático↔ compare
- Regresión RobustaEstadística↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →