Regresi Logistik Teregularisasi
Regresi logistik terasionalisasi memperluas regresi logistik standar dengan menambahkan penalti L1 (lasso), L2 (ridge), atau jaring elastis pada log-likelihood, menyusutkan koefisien menuju nol dan mencegah *overfitting*. Ini adalah pilihan *default* untuk klasifikasi biner atau multinomial ketika Anda menginginkan estimasi koefisien yang dapat diinterpretasikan, jarang (*sparse*), atau stabil dalam ruang fitur berdimensi tinggi atau kolinear.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+4 more
Sumber
- 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
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/id/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 NetPembelajaran Mesin↔ compare
- Analisis Diskriminan Linear (LDA)Pembelajaran Mesin↔ compare
- Regresi Logistik (ML)Pembelajaran Mesin↔ compare
- Naive BayesPembelajaran Mesin↔ compare
- Regresi Linear TerregularisasiPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →