Регуляризованная линейная регрессия
Регуляризованная линейная регрессия добавляет штрафной член к целевой функции метода наименьших квадратов, сжимая или обнуляя коэффициенты для уменьшения переобучения и устранения мультиколлинеарности. Три основных варианта — Ridge (штраф L2), Lasso (штраф L1) и Elastic Net (комбинация L1+L2) — делают линейную регрессию применимой даже тогда, когда число признаков превышает число наблюдений или предикторы сильно коррелированы.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/ru/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.
- Эластичная сетьМашинное обучение↔ compare
- Линейная регрессия (МО)Машинное обучение↔ compare
- Логистическая регрессия (МО)Машинное обучение↔ compare
- Регуляризованная логистическая регрессияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →