LASSO regresija
Regresija ar LASSO, ko 1996. gadā ieviesa Roberts Tibširani, ir lineārās regresijas metode, kas pievieno L1 sodu zaudējumu funkcijai, lai vienlaicīgi samazinātu koeficientus un veiktu mainīgo atlasi, radot modeli ar izkliedētu struktūru (sparse model). Tā kā daži koeficienti tiek samazināti tieši līdz nullei, tiek paturēti tikai tie prediktori, kuriem ir nozīme.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/lv/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 NetMašīnmācīšanās↔ compare
- Logistiskā regresijaPētniecības statistika↔ compare
- Primārā komponentu analīzeMašīnmācīšanās↔ compare
- Regulētā lineārā regresija (Ridge Regression)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →