Elastic Net
Elastic Net ir regulēta lineārās regresijas metode, ko 2005. gadā ieviesa Zou un Hastie. Tā apvieno LASSO (L1) un Ridge (L2) soda funkcijas, tādējādi vienlaikus veicot mainīgo atlasi un koeficientu savilkšanu. Tā ir paredzēta prognozējošai un skaidrojošai modelēšanai, izmantojot datus ar daudziem, iespējami korelētiem, prediktoriem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Zou, H. & Hastie, T. (2005). Regularization and Variable Selection via the Elastic Net. Journal of the Royal Statistical Society: Series B, 67(2), 301–320. DOI: 10.1111/j.1467-9868.2005.00503.x ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/lv/machine-learning/elastic-net
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.
- LASSO regresijaMašīnmācīšanās↔ compare
- Logistiskā regresijaPētniecības statistika↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Regulētā lineārā regresija (Ridge Regression)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →