Regularisoitu logistinen regressio
Regularisoitu logistinen regressio laajentaa standardia logistista regressiota lisäämällä log-likelihoodiin L1- (lasso), L2- (ridge) tai elastic net -regularisointitermin, joka kutistaa kertoimia kohti nollaa ja estää ylisovittamista. Se on oletusvalinta binääri- tai multinomiiluokitteluun, kun halutaan tulkittavia, harvoja tai vakaita kerroinestimaatteja korkeaulotteisissa tai kollineaarisissa piirreavaruuksissa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/fi/machine-learning/regularized-logistic-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 diskriminanttianalyysi (LDA)Koneoppiminen↔ compare
- Logistinen regressio (ML)Koneoppiminen↔ compare
- Naive BayesKoneoppiminen↔ compare
- Regularisoitu lineaarinen regressioKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →