Elastic Net-regression
Elastic net-regression kombinerar L1- (lasso) och L2- (ridge) straff i ett enda regulariserat regressionsramverk. Kontrollerat av en blandningsparameter alpha och en krympningsstyrka lambda, kan det samtidigt selektera variabler och hantera korrelerade prediktorer — vilket övervinner viktiga begränsningar hos ren lasso och ren ridge när de används ensamma.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/sv/statistics/elastic-net-regression
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Lasso-regressionMaskininlärning↔ jämför
- Vanligaste minsta kvadratmetoden (OLS) RegressionEkonometri↔ jämför
- KvantilregressionEkonometri↔ jämför
- Regulariserad logistisk regressionMaskininlärning↔ jämför
- Ridge RegressionMaskininlärning↔ jämför
- Robust regressionStatistik↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →