Elastic Net Regressie
Elastic net regressie combineert de L1 (lasso) en L2 (ridge) penaliteiten in een enkel geregulariseerd regressiekader. Gereguleerd door een mengparameter alpha en een krimpsterkte lambda, kan het gelijktijdig variabelen selecteren en gecorreleerde predictoren behandelen — waarmee belangrijke beperkingen van pure lasso en pure ridge die alleen worden toegepast, worden overwonnen.
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.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/nl/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-regressieMachine learning↔ compare
- Gewone Kleinste Kwadraten (GKK) RegressieEconometrie↔ compare
- KwantielregressieEconometrie↔ compare
- Geregulariseerde logistische regressieMachine learning↔ compare
- Ridge-regressieMachine learning↔ compare
- Robuuste regressieStatistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →