Régression LASSO Bayésienne
La régression LASSO bayésienne place des lois a priori double exponentielles (Laplace) sur les coefficients de régression, ce qui est l'analogue bayésien de la pénalité LASSO classique. Elle réduit simultanément les petits coefficients vers zéro et effectue une sélection douce de variables, le tout dans un cadre d'inférence postérieur cohérent qui quantifie naturellement l'incertitude des paramètres par des intervalles de crédibilité.
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
- Park, T., & Casella, G. (2008). The Bayesian Lasso. Journal of the American Statistical Association, 103(482), 681–686. DOI: 10.1198/016214508000000337 ↗
- 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 3). Bayesian Least Absolute Shrinkage and Selection Operator Regression. ScholarGate. https://scholargate.app/fr/statistics/bayesian-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.
- Régression linéaire multiple bayésienneStatistique↔ compare
- Régression Ridge BayésienneApprentissage automatique↔ compare
- Régression Elastic NetStatistique↔ compare
- Régression LassoApprentissage automatique↔ compare
- Régression RidgeApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →