Regularizētā loģistikā regresija
Regularizētā loģistikā regresija paplašina standarta loģistikā regresiju, pievienojot L1 (lasso), L2 (ridge) vai elastīgā tīkla (elastic net) sodu log-liklihoodam, samazinot koeficientus uz nulli un novēršot pārāk lielu pielāgošanos (overfitting). Tā ir noklusējuma izvēle binārai vai multinomiālai klasifikācijai, kad nepieciešami interpretējami, reti (sparse) vai stabili koeficientu novērtējumi augstas dimensijas vai kolineāros pazīmju (feature) telpās.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/lv/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.
- Elastic NetMašīnmācīšanās↔ compare
- Lineārā diskriminanta analīze (LDA)Mašīnmācīšanās↔ compare
- Logistiskā regresija (ML)Mašīnmācīšanās↔ compare
- Naive BayesMašīnmācīšanās↔ compare
- Regulārā lineārā regresijaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →