Machine learningMachine learning
正則化線形回帰
正則化線形回帰は、最小二乗法の目的関数にペナルティ項を追加し、係数を縮小またはゼロにすることで、過学習を抑制し、多重共線性を処理します。主な3つのバリアントであるRidge（L2ペナルティ）、Lasso（L1ペナルティ）、Elastic Net（L1+L2の組み合わせ）は、特徴量が観測数を上回る場合や予測変数が高度に相関している場合でも、線形回帰を使用可能にします。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
出典
- 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
このページの引用方法
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/ja/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.
Compare side by side →