Regularizált logisztikus regresszió
A regularizált logisztikus regresszió a standard logisztikus regressziót azáltal terjeszti ki, hogy L1 (lasso), L2 (ridge) vagy elastic net büntetést ad a log-likelihood függvényhez, ezzel a koefficiens értékeket nullához közelíti, és megakadályozza a túltanulást. Ez az alapértelmezett választás bináris vagy multinomiális osztályozásra, ha értelmezhető, ritka vagy stabil koefficiensbecsléseket szeretnénk nagy dimenziós vagy kollineáris jellemzőterekben.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/hu/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 NetGépi tanulás↔ compare
- Lineáris diszkriminanciaanalízis (LDA)Gépi tanulás↔ compare
- Logisztikus regresszió (ML)Gépi tanulás↔ compare
- Bayes-féle naiv klasszifikálóGépi tanulás↔ compare
- Regularizált lineáris regresszióGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →