Regularizirana logistička regresija
Regularizirana logistička regresija proširuje standardnu logističku regresiju dodavanjem L1 (lasso), L2 (ridge) ili elastic net penalizacije log-vjerojatnosti, čime se koeficijenti smanjuju prema nuli i sprječava prekomjerno prilagođavanje (overfitting). To je zadani izbor za binarnu ili multinomijalnu klasifikaciju kada su potrebne interpretibilne, rijetke ili stabilne procjene koeficijenata u visokodimenzionalnim ili kolinearnim prostorima značajki.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/hr/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 NetStrojno učenje↔ compare
- Linearna diskriminacijska analiza (LDA)Strojno učenje↔ compare
- Logistička regresija (ML)Strojno učenje↔ compare
- Naive BayesStrojno učenje↔ compare
- Regresija regulariziranih pravacaStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →