Regularisert lineær regresjon
Regularisert lineær regresjon legger til et straffeledd til den ordinære minste kvadraters objektivfunksjon, noe som krymper eller setter koeffisienter til null for å redusere overtilpasning og håndtere multikollinearitet. De tre hovedvariantene – Ridge (L2-straff), Lasso (L1-straff) og Elastic Net (kombinert L1+L2) – gjør lineær regresjon anvendelig selv når antall variabler overstiger antall observasjoner eller når prediktorer er sterkt korrelerte.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/no/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 NetMaskinlæring↔ compare
- Lineær regresjon (ML)Maskinlæring↔ compare
- Logistisk regresjon (ML)Maskinlæring↔ compare
- Regulert logistisk regresjonMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →