Regulariserad logistisk regression
Regulariserad logistisk regression utökar standard logistisk regression genom att lägga till en L1 (lasso), L2 (ridge) eller elastic net-straff till log-sannolikheten, vilket krymper koefficienterna mot noll och förhindrar överanpassning. Det är standardvalet för binär eller multinomial klassificering när man önskar tolkningsbara, glesa eller stabila koefficientuppskattningar i högdimensionella eller kolinjära funktionsrymder.
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.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
Så citerar du den här sidan
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/sv/machine-learning/regularized-logistic-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 diskriminantanalys (LDA)Maskininlärning↔ compare
- Logistisk regression (ML)Maskininlärning↔ compare
- Naiv BayesMaskininlärning↔ compare
- Regulariserad linjär regressionMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →