Lasso-regressie
Lasso-regressie, geïntroduceerd door Robert Tibshirani in 1996, is een lineaire regressiemethode die een L1-penalty toevoegt aan de loss-functie, zodat deze de coëfficiënten krimpt en tegelijkertijd variabele selectie uitvoert, wat resulteert in een spaarzaam model. Door sommige coëfficiënten exact op nul te drijven, behoudt het alleen de voorspellers die ertoe doen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+15 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/nl/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 NetMachine learning↔ compare
- Logistische RegressieOnderzoeksstatistiek↔ compare
- HoofdcomponentenanalyseMachine learning↔ compare
- Ridge-regressieMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →