Regresja Elastic Net
Regresja elastic net łączy kary L1 (lasso) i L2 (ridge) w ramach jednego uregularyzowanego modelu regresji. Kontrolowana przez parametr mieszania alpha i siłę kurczenia lambda, może jednocześnie dokonywać selekcji zmiennych i radzić sobie ze skorelowanymi predyktorami — pokonując kluczowe ograniczenia czystego lasso i czystego ridge stosowanych samodzielnie.
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.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/pl/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.
- Regresja LassoUczenie maszynowe↔ compare
- Regresja metodą najmniejszych kwadratów (OLS)Ekonometria↔ compare
- Regresja kwantylowaEkonometria↔ compare
- Regularyzowana regresja logistycznaUczenie maszynowe↔ compare
- Regularyzacja grzbietowa (Ridge Regression)Uczenie maszynowe↔ compare
- Regresja odpornaStatystyka↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →