Machine learningMachine learning

정규화 로지스틱 회귀

정규화 로지스틱 회귀는 로그 우도에 L1(lasso), L2(ridge) 또는 엘라스틱 넷 페널티를 추가하여 표준 로지스틱 회귀를 확장하며, 계수를 0으로 수축시키고 과적합을 방지합니다. 고차원 또는 공선형 특징 공간에서 해석 가능하고 희소하거나 안정적인 계수 추정을 원할 때 이진 또는 다항 분류의 기본 선택입니다.

MethodMind에서 열기곧 제공동영상곧 제공Download slides

방법 전문 읽기

회원 전용

무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.

로그인

Method map

The neighbourhood of related methods — select a node to explore.

정규화 로지스틱 회귀

Elastic Net 선형 판별 분석 (LDA)로지스틱 회귀 (ML)나이브 베이즈 정규화 선형 회귀 엘라스틱 넷 회귀 온라인 로지스틱 회귀 정규화된 연합 학습 정규화 k-최근접 이웃 정규화 나이브 베이즈

+4 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 ↗
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 4, 18). Springer. ISBN: 978-0-387-84857-0

이 페이지 인용 방법

ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/ko/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.

Compare side by side →

이 방법을 참조하는 항목

엘라스틱 넷 회귀 로지스틱 회귀 (ML)온라인 로지스틱 회귀 정규화된 연합 학습 정규화 k-최근접 이웃 정규화 선형 회귀 정규화 나이브 베이즈 정규화 온라인 학습 정규화된 준지도 학습 정규화 서포트 벡터 머신 정규화된 전이 학습

이 페이지에서 오류를 발견하셨나요? 신고하거나 수정을 제안하세요 →