Regulārā lineārā regresija
Regulārā lineārā regresija pievieno soda locekli parastās mazāko kvadrātu mērķim, samazinot vai iznulinot koeficientus, lai samazinātu pārpietūšanu un novērstu multikolinearitāti. Trīs galvenās variācijas — Ridge (L2 sods), Lasso (L1 sods) un Elastic Net (kombinēts L1+L2) — padara lineāro regresiju lietojamu pat tad, ja prediktoru skaits pārsniedz novērojumu skaitu vai prediktori ir ļoti korelēti.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+2 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 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/lv/machine-learning/regularized-linear-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
- Lineārā regresija (ML)Mašīnmācīšanās↔ compare
- Logistiskā regresija (ML)Mašīnmācīšanās↔ compare
- Regularizētā loģistikā regresijaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →