Lasso-regressio
Lasso-regressio, jonka Robert Tibshirani esitteli vuonna 1996, on lineaarinen regressiomenetelmä, joka lisää häviöfunktioon L1-regularisoinnin (penalty) kutistaakseen kertoimia ja suorittaakseen samanaikaisesti muuttujavalintaa, tuottaen harvan mallin. Ajamalla jotkin kertoimet täsmälleen nollaan se säilyttää vain merkitykselliset ennustemuuttujat.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/fi/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.
- Elastic NetKoneoppiminen↔ compare
- Logistinen regressioTutkimuksen tilastomenetelmät↔ compare
- PääkomponenttianalyysiKoneoppiminen↔ compare
- HarjanneregressioKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →