Regresija ar elastīgo tīklu
Regresija ar elastīgo tīklu apvieno L1 (lasso) un L2 (ridge) pēcienu vienotā regulētas regresijas sistēmā. To kontrolē sajaukšanas parametrs alpha un savilkšanas spēks lambda, un tā spēj vienlaicīgi atlasīt mainīgos un apstrādāt korelētus prediktorus — pārvarot tīrā lasso un tīrā ridge metožu galvenos trūkumus, ja tās lieto atsevišķi.
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 (Statistical Methodology), 67(2), 301-320. DOI: 10.1111/j.1467-9868.2005.00503.x ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. ISBN: 978-0387848570
Kā citēt šo lapu
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/lv/statistics/elastic-net-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.
- LASSO regresijaMašīnmācīšanās↔ compare
- Parastā mazāko kvadrātu (OLS) regresijaEkonometrija↔ compare
- Kvantīļu regresijaEkonometrija↔ compare
- Regularizētā loģistikā regresijaMašīnmācīšanās↔ compare
- Regulētā lineārā regresija (Ridge Regression)Mašīnmācīšanās↔ compare
- Robustā regresijaStatistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →