Lasso Regression
Lasso regression, yang diperkenalkan oleh Robert Tibshirani pada tahun 1996, ialah kaedah regresi linear yang menambahkan penalti L1 pada fungsi kerugian supaya ia mengecilkan pekali dan melakukan pemilihan pemboleh ubah pada masa yang sama, menghasilkan model yang jarang. Dengan memandu sesetengah pekali tepat kepada sifar, ia hanya menyimpan peramal yang penting.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/ms/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 NetPembelajaran Mesin↔ compare
- Regresi LogistikStatistik Penyelidikan↔ compare
- Analisis Komponen UtamaPembelajaran Mesin↔ compare
- Regresi RabungPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →