Régression logistique régularisée
La régression logistique régularisée étend la régression logistique standard en ajoutant une pénalité L1 (lasso), L2 (ridge) ou elastic net à la log-vraisemblance, réduisant les coefficients vers zéro et prévenant le surapprentissage. C'est le choix par défaut pour la classification binaire ou multinomiale lorsque vous souhaitez des estimations de coefficients interprétables, éparses ou stables dans des espaces de caractéristiques de haute dimension ou colinéaires.
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.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/fr/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 NetApprentissage automatique↔ compare
- Analyse discriminante linéaire (ADL)Apprentissage automatique↔ compare
- Régression logistique (ML)Apprentissage automatique↔ compare
- Naive BayesApprentissage automatique↔ compare
- Régression linéaire régulariséeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →