Regulaarne Lineaarregressioon
Regulaarne lineaarregressioon lisab tavalise vähimruutude sihtfunktsioonile karistustermini, kahandades või nullides koefitsiendid üleõppimise vähendamiseks ja multikollineaarsuse käsitlemiseks. Kolm peamist varianti — Ridge (L2 karistus), Lasso (L1 karistus) ja Elastic Net (kombineeritud L1+L2) — muudavad lineaarregressiooni kasutatavaks isegi siis, kui tunnuseid on rohkem kui vaatlusi või ennustajad on tugevalt korreleeritud.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Allikad
- 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
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/et/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 NetMasinõpe↔ compare
- Lineaarne regressioon (ML)Masinõpe↔ compare
- Logistiline regressioon (ML)Masinõpe↔ compare
- Regulariseeritud logistiline regressioonMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →