Regressão Linear Regularizada
A regressão linear regularizada adiciona um termo de penalidade à função objetivo de mínimos quadrados ordinários, encolhendo ou zerando coeficientes para reduzir o overfitting e lidar com a multicolinearidade. As três variantes principais — Ridge (penalidade L2), Lasso (penalidade L1) e Elastic Net (L1+L2 combinada) — tornam a regressão linear utilizável mesmo quando o número de características excede o de observações ou os preditores são altamente correlacionados.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/pt/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 NetAprendizado de máquina↔ compare
- Regressão Linear (ML)Aprendizado de máquina↔ compare
- Regressão Logística (ML)Aprendizado de máquina↔ compare
- Regressão Logística RegularizadaAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →