Regulariserad linjär regression
Regulariserad linjär regression lägger till en straffterm till den vanliga minsta kvadratmålsättningen, vilket krymper eller nollställer koefficienter för att minska överanpassning och hantera multikollinearitet. De tre huvudvarianterna — Ridge (L2-straff), Lasso (L1-straff) och Elastic Net (kombinerad L1+L2) — gör linjär regression användbar även när antalet prediktorer är större än antalet observationer eller när prediktorer är starkt korrelerade.
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.
+2 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 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
Så citerar du den här sidan
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/sv/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 NetMaskininlärning↔ compare
- Linjär regression (ML)Maskininlärning↔ compare
- Logistisk regression (ML)Maskininlärning↔ compare
- Regulariserad logistisk regressionMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →