Regularizovana linearna regresija
Regularizovana linearna regresija dodaje kazneni član objektivnoj funkciji metode najmanjih kvadrata, smanjujući ili poništavajući koeficijente kako bi se smanjilo prekomerno prilagođavanje (overfitting) i rešila multikolinearnost. Tri glavne varijante — Ridge (L2 kazna), Lasso (L1 kazna) i Elastic Net (kombinovana L1+L2) — čine linearnu regresiju primenljivom čak i kada je broj obeležja veći od broja opservacija ili kada su prediktori visoko korelirani.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/sr/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.
- Elastična mrežaMašinsko učenje↔ compare
- Linearna regresija (ML)Mašinsko učenje↔ compare
- Logistička regresija (ML)Mašinsko učenje↔ compare
- Regulizovana logistička regresijaMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →