Elastic Net
Elastic Net est une méthode de régression linéaire régularisée introduite par Zou et Hastie en 2005 qui combine les pénalités LASSO (L1) et Ridge (L2), réalisant ainsi une sélection de variables et une réduction des coefficients simultanément. Elle est conçue pour la modélisation prédictive et explicative sur des données comportant de nombreux prédicteurs, potentiellement corrélés.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Zou, H. & Hastie, T. (2005). Regularization and Variable Selection via the Elastic Net. Journal of the Royal Statistical Society: Series B, 67(2), 301–320. DOI: 10.1111/j.1467-9868.2005.00503.x ↗
Comment citer cette page
ScholarGate. (2026, June 1). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/fr/machine-learning/elastic-net
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.
- Régression LassoApprentissage automatique↔ compare
- Régression logistiqueStatistiques de recherche↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Régression RidgeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →