Régression Lasso
La régression Lasso, introduite par Robert Tibshirani en 1996, est une méthode de régression linéaire qui ajoute une pénalité L1 à la fonction de perte afin de réduire les coefficients et d'effectuer une sélection de variables simultanément, produisant ainsi un modèle parcimonieux. En annulant certains coefficients, elle ne conserve que les prédicteurs pertinents.
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.
+15 more
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/fr/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 NetApprentissage automatique↔ compare
- Régression logistiqueStatistiques de recherche↔ compare
- Analyse en composantes principalesApprentissage automatique↔ compare
- Régression RidgeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →