Régression linéaire régularisée
La régression linéaire régularisée ajoute un terme de pénalité à l'objectif des moindres carrés ordinaires, réduisant ou annulant les coefficients pour diminuer le surajustement et gérer la multicolinéarité. Les trois variantes principales — Ridge (pénalité L2), Lasso (pénalité L1) et Elastic Net (combinaison L1+L2) — rendent la régression linéaire utilisable même lorsque le nombre de caractéristiques dépasse celui des observations ou lorsque les prédicteurs sont fortement 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.
+2 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 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/fr/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 NetApprentissage automatique↔ compare
- Régression linéaire (ML)Apprentissage automatique↔ compare
- Régression logistique (ML)Apprentissage automatique↔ compare
- Régression logistique régulariséeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →