Elastic Net
Elastic Net är en regulariserad linjär regressionsmetod som introducerades av Zou och Hastie år 2005. Den kombinerar LASSO (L1) och Ridge (L2) straff, vilket innebär att den utför både variabelselektion och koefficientkrympning samtidigt. Metoden är utformad för prediktiv och förklarande modellering på data med många, potentiellt korrelerade, prediktorer.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Zou, H. & Hastie, T. (2005). Regularization and Variable Selection via the Elastic Net. Journal of the Royal Statistical Society: Series B, 67(2), 301–320. DOI: 10.1111/j.1467-9868.2005.00503.x ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/sv/machine-learning/elastic-net
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.
- Lasso-regressionMaskininlärning↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskininlärning↔ compare
- Ridge RegressionMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →