Régression Elastic Net
La régression Elastic Net combine les pénalités L1 (lasso) et L2 (ridge) au sein d'un cadre de régression régularisée unique. Contrôlée par un paramètre de mélange alpha et une force de rétrécissement lambda, elle peut simultanément sélectionner des variables et gérer des prédicteurs corrélés — surmontant ainsi les limitations clés du lasso pur et du ridge pur appliqués seuls.
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 (Statistical Methodology), 67(2), 301-320. DOI: 10.1111/j.1467-9868.2005.00503.x ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. ISBN: 978-0387848570
Comment citer cette page
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/fr/statistics/elastic-net-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 LassoApprentissage automatique↔ compare
- Régression par Moindres Carrés Ordinaires (MCO)Économétrie↔ compare
- Régression quantileÉconométrie↔ compare
- Régression logistique régulariséeApprentissage automatique↔ compare
- Régression RidgeApprentissage automatique↔ compare
- Régression RobusteStatistique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →