Regularisoitu lineaarinen regressio
Regularisoitu lineaarinen regressio lisää tavallisen pienimmän neliösumman tavoitefunktioon rangaistustermin, joka kutistaa tai nollaa kertoimet ylisovituksen vähentämiseksi ja multikollineaarisuuden käsittelemiseksi. Kolme päävarianttia – Ridge (L2-rangaistus), Lasso (L1-rangaistus) ja Elastic Net (yhdistetty L1+L2) – tekevät lineaarisesta regressiosta käyttökelpoisen, vaikka piirteitä olisi enemmän kuin havaintoja tai ennustajat olisivat vahvasti korreloituneita.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+2 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 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/fi/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 NetKoneoppiminen↔ compare
- Lineaarinen regressio (ML)Koneoppiminen↔ compare
- Logistinen regressio (ML)Koneoppiminen↔ compare
- Regularisoitu logistinen regressioKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →