Geregulariseerde logistische regressie
Geregulariseerde logistische regressie breidt standaard logistische regressie uit door een L1 (lasso), L2 (ridge) of elastic net penalty toe te voegen aan de log-likelihood, waardoor coëfficiënten naar nul worden gekrompen en overfitting wordt voorkomen. Het is de standaardkeuze voor binaire of multinomiale classificatie wanneer interpreteerbare, sparse of stabiele coëfficiëntschattingen gewenst zijn in hoog-dimensionale of collineaire kenmerkruimtes.
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.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Deze pagina citeren
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/nl/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 NetMachine learning↔ compare
- Lineaire Discriminantanalyse (LDA)Machine learning↔ compare
- Logistische regressie (ML)Machine learning↔ compare
- Naïeve BayesMachine learning↔ compare
- Geregulariseerde Lineaire RegressieMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →