Machine learning
リッジ回帰
リッジ回帰は、1970年にArthur HoerlとRobert Kennardによって導入されたL2正則化線形回帰手法であり、係数の大きさにペナルティを加えることで多重共線性を低減します。これは、係数をゼロに近づけますが、それらを正確にゼロに設定することなく、予測変数が高度に相関している場合により安定した推定値を生成します。
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.
+22 more
出典
- Hoerl, A.E. & Kennard, R.W. (1970). Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12(1), 55–67. DOI: 10.1080/00401706.1970.10488634 ↗
このページの引用方法
ScholarGate. (2026, June 1). Ridge Regression (L2-Regularized Linear Regression). ScholarGate. https://scholargate.app/ja/machine-learning/ridge-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 →この手法を参照する項目
ARFIMA: 階差次数が分数であるARMAモデルベイズLASSO回帰Bayesian Multiple linear regressionベイズOLS（ベイズ線形回帰）ベイジアンリッジ回帰Elastic NetElastic Net回帰経験ベイズアンサンブル線形回帰影響診断（Cook距離、DFFITS、レバレッジ）Lasso回帰M推定量（ロバスト回帰）Multiple Linear Regression多変量重回帰分析Quantile Regression (Nonparametric Variants)最小二乗法 (OLS) 回帰オンライン線形回帰最小二乗法（OLS）偏最小二乗回帰（PLS）多項式回帰主成分回帰 (PCR)分位点回帰パネルデータランダム効果モデル頑健な重回帰分析頑健回帰ロバストリッジ回帰単回帰分析ステップワイズ回帰サポートベクター回帰分散拡大係数（VIF）