Regularyzowana regresja liniowa
Regularyzowana regresja liniowa dodaje człon kary do funkcji celu zwykłej metody najmniejszych kwadratów, zmniejszając lub zerując współczynniki w celu redukcji przeuczenia i radzenia sobie z współliniowością. Trzy główne warianty — Ridge (kara L2), Lasso (kara L1) i Elastic Net (połączone L1+L2) — sprawiają, że regresja liniowa jest użyteczna nawet wtedy, gdy liczba cech przewyższa liczbę obserwacji lub predyktory są silnie skorelowane.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/pl/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 NetUczenie maszynowe↔ compare
- Regresja liniowa (ML)Uczenie maszynowe↔ compare
- Regresja logistyczna (ML)Uczenie maszynowe↔ compare
- Regularyzowana regresja logistycznaUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →