नियमित रैखिक प्रतिगमन
नियमित रैखिक प्रतिगमन साधारण न्यूनतम वर्ग उद्देश्य में एक दंड पद जोड़ता है, जो ओवरफिटिंग को कम करने और बहुसंरेखता को संभालने के लिए गुणांकों को सिकोड़ता या शून्य करता है। तीन मुख्य प्रकार - रिज (L2 दंड), लासो (L1 दंड), और इलास्टिक नेट (संयुक्त L1+L2) - रैखिक प्रतिगमन को तब भी प्रयोग करने योग्य बनाते हैं जब विशेषताओं की संख्या अवलोकनों से अधिक हो या भविष्यवक्ता अत्यधिक सहसंबद्ध हों।
पूरी विधि पढ़ें
यह खंड पढ़ने के लिए निःशुल्क खाते से साइन इन करें।
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
स्रोत
- 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
इस पृष्ठ का उद्धरण कैसे दें
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/hi/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.
- इलास्टिक नेटमशीन अधिगम↔ compare
- रेखीय प्रतिगमन (ML)मशीन अधिगम↔ compare
- लॉजिस्टिक रिग्रेशन (एमएल)मशीन अधिगम↔ compare
- नियमितीकृत लॉजिस्टिक रिग्रेशनमशीन अधिगम↔ compare