Регуляризованная логистическая регрессия
Регуляризованная логистическая регрессия расширяет стандартную логистическую регрессию добавлением штрафа L1 (lasso), L2 (ridge) или elastic net к логарифмической правдоподобности, сжимая коэффициенты к нулю и предотвращая переобучение. Это выбор по умолчанию для бинарной или мультиномиальной классификации, когда требуются интерпретируемые, разреженные или устойчивые оценки коэффициентов в пространствах признаков высокой размерности или коллинеарных признаков.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Как цитировать эту страницу
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/ru/machine-learning/regularized-logistic-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
- Линейный дискриминантный анализ (LDA)Машинное обучение↔ compare
- Логистическая регрессия (МО)Машинное обучение↔ compare
- Наивный БайесМашинное обучение↔ compare
- Регуляризованная линейная регрессияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →