Machine learning
라쏘 회귀
1996년 로버트 팁시라니(Robert Tibshirani)가 소개한 라쏘 회귀는 손실 함수에 L1 페널티를 추가하여 계수를 축소하고 동시에 변수 선택을 수행하여 희소 모델을 생성하는 선형 회귀 방법입니다. 일부 계수를 정확히 0으로 만듦으로써 중요한 예측 변수만 유지합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/ko/machine-learning/lasso-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 Net머신러닝↔ compare
- 로지스틱 회귀연구 통계↔ compare
- 주성분 분석머신러닝↔ compare
- 릿지 회귀(Ridge Regression)머신러닝↔ compare
이 방법을 참조하는 항목
적응형 Cox 비례 위험 모형베이지안 LASSO 회귀Bayesian Model Averaging베이즈 다중 선형 회귀베이즈 능형 회귀(Bayesian Ridge Regression)Elastic Net엘라스틱 넷 회귀기계 학습 보조 전장 후성유전체 연관 분석 (ML-EWAS)기계 학습 증강 도구 변수 (ML-IV)다중 선형 회귀분위수 회귀 (비모수 변형)최소제곱법(OLS) 회귀최소제곱법 (Ordinary Least Squares, OLS)다항 회귀주성분 분석조건부 분위수 회귀정규화 서포트 벡터 머신릿지 회귀(Ridge Regression)강건 선형 회귀강건 다중 선형 회귀Robust Regression강건 릿지 회귀 (Robust Ridge Regression)단계적 회귀분석서포트 벡터 회귀