Regularizovaná lineárna regresia
Regularizovaná lineárna regresia pridáva penalizačný člen k cieľovej funkcii metódy najmenších štvorcov, čím zmenšuje alebo vynuluje koeficienty, aby sa znížilo preučenie (overfitting) a riešila multikolinearita. Tri hlavné varianty – Ridge (L2 penalizácia), Lasso (L1 penalizácia) a Elastic Net (kombinovaná L1+L2) – umožňujú použitie lineárnej regresie aj vtedy, keď počet premenných prevyšuje počet pozorovaní alebo keď sú prediktory vysoko korelované.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Zdroje
- 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
Ako citovať túto stránku
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/sk/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 NetStrojové učenie↔ compare
- Lineárna regresia (ML)Strojové učenie↔ compare
- Logistická regresia (ML)Strojové učenie↔ compare
- Regularizovaná logistická regresiaStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →