Geregulariseerde Lineaire Regressie
Geregulariseerde lineaire regressie voegt een strafterm toe aan de doelstellingsfunctie van gewone kleinste kwadraten, waardoor coëfficiënten worden verkleind of op nul gezet om overpassing te verminderen en multicollineariteit aan te pakken. De drie belangrijkste varianten — Ridge (L2-straf), Lasso (L1-straf) en Elastic Net (gecombineerde L1+L2) — maken lineaire regressie bruikbaar, zelfs wanneer het aantal kenmerken groter is dan het aantal observaties of wanneer de voorspellers sterk gecorreleerd zijn.
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.
+2 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 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
Deze pagina citeren
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/nl/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 NetMachine learning↔ compare
- Lineaire regressie (ML)Machine learning↔ compare
- Logistische regressie (ML)Machine learning↔ compare
- Geregulariseerde logistische regressieMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →