Regularizált lineáris regresszió
A regularizált lineáris regresszió egy büntetőtagot ad a szokásos legkisebb négyzetek célfüggvényéhez, ezzel zsugorítva vagy nullázva az együtthatókat a túltanulás csökkentése és a multikollinearitás kezelése érdekében. A három fő variáns – Ridge (L2 büntetés), Lasso (L1 büntetés) és Elastic Net (kombinált L1+L2) – lehetővé teszi a lineáris regresszió használatát akkor is, ha a jellemzők száma meghaladja a megfigyelések számát, vagy ha a prediktorok erősen korreláltak.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/hu/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 NetGépi tanulás↔ compare
- Lineáris Regresszió (ML)Gépi tanulás↔ compare
- Logisztikus regresszió (ML)Gépi tanulás↔ compare
- Regularizált logisztikus regresszióGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →