Regressione Elastic Net
La regressione elastic net combina le penalità L1 (lasso) e L2 (ridge) in un unico framework di regressione regolarizzata. Controllata da un parametro di miscelazione alpha e da una forza di contrazione lambda, può selezionare simultaneamente le variabili e gestire predittori correlati, superando le limitazioni chiave del puro lasso e del puro ridge applicati da soli.
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.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/it/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.
- Regressione LassoApprendimento automatico↔ compare
- Regression with Ordinary Least Squares (OLS)Econometria↔ compare
- Regressione quantilicaEconometria↔ compare
- Regressione logistica regolarizzataApprendimento automatico↔ compare
- Regressione RidgeApprendimento automatico↔ compare
- Regressione RobustaStatistica↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →