Regressione Lasso
La regressione Lasso, introdotta da Robert Tibshirani nel 1996, è un metodo di regressione lineare che aggiunge una penalità L1 alla funzione di perdita, in modo da ridurre i coefficienti ed eseguire contemporaneamente la selezione delle variabili, producendo un modello sparso. Azzerando alcuni coefficienti, mantiene solo i predittori che contano.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/it/machine-learning/lasso-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 NetApprendimento automatico↔ compare
- Regressione LogisticaStatistica per la ricerca↔ compare
- Analisi delle Componenti PrincipaliApprendimento automatico↔ compare
- Regressione RidgeApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →