Elastic Net Regresszió
Az elastic net regresszió egyesíti az L1 (lasso) és L2 (ridge) büntetéseket egyetlen regularizált regressziós keretrendszerben. Az alfa keverési paraméter és a lambda zsugorítási erősség által vezérelve képes egyidejűleg változókat kiválasztani és korrelált prediktorokat kezelni – ezzel leküzdve a tiszta lasso és a tiszta ridge önmagukban történő alkalmazásának kulcsfontosságú korlátait.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), 301-320. DOI: 10.1111/j.1467-9868.2005.00503.x ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. ISBN: 978-0387848570
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/hu/statistics/elastic-net-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.
- Lasso-regresszióGépi tanulás↔ compare
- Regresszió Ordináris Legkisebb Négyzetes (OLS) módszerrelÖkonometria↔ compare
- Kvantilis regresszióÖkonometria↔ compare
- Regularizált logisztikus regresszióGépi tanulás↔ compare
- Ridge RegressionGépi tanulás↔ compare
- Robusztus regresszióStatisztika↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →