เปรียบเทียบวิธี

	การถดถอยแบบเบย์เซียน (Bayesian Ridge Regression)	Elastic Net
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Bayesian methods	Machine learning
ปีกำเนิด	1992	2005
ผู้ริเริ่ม	MacKay, D. J. C.	Zou, H. & Hastie, T.
ประเภท	Probabilistic regularised regression	Regularized linear regression (L1 + L2 penalty)
แหล่งต้นตำรับ	MacKay, D. J. C. (1992). Bayesian Interpolation. Neural Computation, 4(3), 415–447.	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.
ชื่อเรียกอื่น	BRR, Bayesian linear regression with automatic relevance determination, evidence approximation ridge, marginal likelihood ridge	Elastic Net Regresyon, elastic net regression, ElasticNet, L1/L2 regularized regression
ที่เกี่ยวข้อง	3	4
สรุป	Bayesian Ridge Regression is a probabilistic formulation of ridge regression, introduced by David J. C. MacKay in 1992, in which the regularisation strength and noise precision are not fixed by the analyst but are instead estimated automatically by maximising the marginal likelihood (evidence) of the observed data. The result is a full posterior distribution over the regression weights together with calibrated predictive uncertainty.	Elastic Net is a regularized linear regression method introduced by Zou and Hastie in 2005 that blends the LASSO (L1) and Ridge (L2) penalties, so it performs variable selection and coefficient shrinkage at the same time. It is designed for predictive and explanatory modelling on data with many, possibly correlated, predictors.