Regressione Lineare Regolarizzata
La regressione lineare regolarizzata aggiunge un termine di penalità all'obiettivo dei minimi quadrati ordinari, contraendo o azzerando i coefficienti per ridurre l'overfitting e gestire la multicollinearità. Le tre varianti principali — Ridge (penalità L2), Lasso (penalità L1) ed Elastic Net (combinazione L1+L2) — rendono la regressione lineare utilizzabile anche quando le caratteristiche superano le osservazioni o i predittori sono altamente correlati.
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.
+2 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 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/it/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 NetApprendimento automatico↔ compare
- Regressione Lineare (ML)Apprendimento automatico↔ compare
- Regressione Logistica (ML)Apprendimento automatico↔ compare
- Regressione logistica regolarizzataApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →