เปรียบเทียบวิธี

	Elastic Net	Lasso Regression
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2005	1996
ผู้ริเริ่ม	Zou, H. & Hastie, T.	Tibshirani, R.
ประเภท	Regularized linear regression (L1 + L2 penalty)	Regularized linear regression (L1 penalty)
แหล่งต้นตำรับ	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.	Tibshirani, R. (1996). Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.
ชื่อเรียกอื่น	Elastic Net Regresyon, elastic net regression, ElasticNet, L1/L2 regularized regression	LASSO Regresyonu, lasso, L1-regularized regression, L1 regularization
ที่เกี่ยวข้อง	4	4
สรุป	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.	Lasso regression, introduced by Robert Tibshirani in 1996, is a linear regression method that adds an L1 penalty to the loss so that it shrinks coefficients and performs variable selection at the same time, producing a sparse model. By driving some coefficients exactly to zero it keeps only the predictors that matter.