رگرسیون لسو
رگرسیون لسو (Lasso regression)، که در سال ۱۹۹۶ توسط رابرت تیبشیرانی معرفی شد، روشی در رگرسیون خطی است که جریمهای از نوع L1 را به تابع زیان اضافه میکند تا ضرایب را کوچک کرده و همزمان انتخاب متغیر را انجام دهد و مدلی پراکنده (sparse) تولید کند. با صفر کردن برخی ضرایب، تنها پیشبینیکنندههای مهم را حفظ میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/fa/machine-learning/lasso-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.
- الاستیک نت (Elastic Net)یادگیری ماشین↔ compare
- رگرسیون لجستیکآمار پژوهش↔ compare
- تحلیل مؤلفههای اصلییادگیری ماشین↔ compare
- رگرسیون ریج (Ridge Regression)یادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →