Regresija regulariziranih pravaca
Regresija regulariziranih pravaca dodaje kazneni član ciljnoj funkci najmanjih kvadrata, smanjujući ili poništavajući koeficijente kako bi se smanjilo preprilagođavanje i riješila multikolinearnost. Tri glavne varijante — Ridge (L2 kazna), Lasso (L1 kazna) i Elastic Net (kombinirana L1+L2) — čine linearnu regresiju upotrebljivom čak i kada značajke nadmašuju broj opažanja ili su prediktori visoko korelirani.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/hr/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 NetStrojno učenje↔ compare
- Linearna regresija (ML)Strojno učenje↔ compare
- Logistička regresija (ML)Strojno učenje↔ compare
- Regularizirana logistička regresijaStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →