Elastic Net -regressio
Elastic Net -regressio yhdistää L1- (lasso) ja L2- (ridge) rangaistukset yhteen regularisoituun regressiokehykseen. Sekoitusparametrin alfa ja kutistusvoimakkuuden lambda avulla se voi samanaikaisesti valita muuttujia ja käsitellä korreloituneita ennustimia – voittaen puhtaan lasson ja puhtaan ranteen yksinään sovellettujen keskeiset rajoitukset.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), 301-320. DOI: 10.1111/j.1467-9868.2005.00503.x ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. ISBN: 978-0387848570
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/fi/statistics/elastic-net-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.
- Lasso-regressioKoneoppiminen↔ compare
- OLS-regressio (Ordinary Least Squares)Ekonometria↔ compare
- KvanttiiliregressioEkonometria↔ compare
- Regularisoitu logistinen regressioKoneoppiminen↔ compare
- HarjanneregressioKoneoppiminen↔ compare
- Robust RegressionTilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →