Lasso-regression
Lasso-regression, introducerad av Robert Tibshirani 1996, är en linjär regressionsmetod som lägger till en L1-straffavgift till förlustfunktionen, vilket krymper koefficienterna och utför variabelselektion samtidigt, vilket resulterar i en gles modell. Genom att driva vissa koefficienter exakt till noll behåller den endast de prediktorer som är relevanta.
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.
+15 more
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/sv/machine-learning/lasso-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 NetMaskininlärning↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Analys av huvudkomponenterMaskininlärning↔ compare
- Ridge RegressionMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →