Regressão Elastic Net
A regressão Elastic Net combina as penalidades L1 (lasso) e L2 (ridge) em um único framework de regressão regularizada. Controlada por um parâmetro de mistura alfa e uma força de encolhimento lambda, ela pode selecionar variáveis simultaneamente e lidar com preditores correlacionados — superando limitações chave do lasso puro e do ridge puro aplicados isoladamente.
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.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/pt/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.
- Regressão LassoAprendizado de máquina↔ compare
- Regressão por Mínimos Quadrados Ordinários (MQO)Econometria↔ compare
- Regressão QuantílicaEconometria↔ compare
- Regressão Logística RegularizadaAprendizado de máquina↔ compare
- Regressão RidgeAprendizado de máquina↔ compare
- Regressão RobustaEstatística↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →