Regresija sa elastičnom mrežom
Regresija sa elastičnom mrežom kombinuje L1 (lasso) i L2 (ridge) kazne u jedinstveni regularizovani regresioni okvir. Kontrolisan parametrom mešanja alfa i jačinom skupljanja lambda, ona može istovremeno da bira varijable i da se nosi sa koreliranim prediktorima — prevazilazeći ključna ograničenja čistog lasoa i čistog ridža primenjenih pojedinačno.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/sr/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.
- Regresija LasoMašinsko učenje↔ compare
- Regresija običnih najmanjih kvadrata (OLS)Ekonometrija↔ compare
- Kvantilna regresijaEkonometrija↔ compare
- Regulizovana logistička regresijaMašinsko učenje↔ compare
- Rigidna regresijaMašinsko učenje↔ compare
- Robustna regresijaStatistika↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →