Machine learningMachine learning
正則化ロジスティック回帰
正則化ロジスティック回帰は、対数尤度関数にL1（ラッソ）、L2（リッジ）、またはエラスティックネットのペナルティ項を追加することで標準ロジスティック回帰を拡張し、係数をゼロに近づけて過学習を防ぎます。高次元または共線的な特徴空間において、解釈可能でスパース、または安定した係数推定値が必要な二項分類または多項分類のデフォルトの選択肢です。
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.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
このページの引用方法
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/ja/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 Net機械学習↔ compare
- 線形判別分析 (LDA)機械学習↔ compare
- ロジスティック回帰 (ML)機械学習↔ compare
- ナイーブベイズ機械学習↔ compare
- 正則化線形回帰機械学習↔ compare