เปรียบเทียบวิธี

	Regularized Decision Tree	การถดถอยเชิงเส้นแบบปรับค่า (Regularized Linear Regression)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1984	1970–2005
ผู้ริเริ่ม	Breiman, L., Friedman, J., Olshen, R., & Stone, C.	Hoerl & Kennard (Ridge, 1970); Tibshirani (Lasso, 1996); Zou & Hastie (Elastic Net, 2005)
ประเภท	Supervised learning (regularized tree)	Penalized linear model
แหล่งต้นตำรับ	Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth. ISBN: 978-0-412-04841-8	Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.
ชื่อเรียกอื่น	pruned decision tree, cost-complexity pruned tree, penalized decision tree, constrained CART	Ridge regression, Lasso regression, Elastic Net regression, penalized regression
ที่เกี่ยวข้อง	6	4
สรุป	A regularized decision tree is a decision tree model whose complexity is intentionally limited through pruning, depth constraints, or penalty terms to prevent overfitting. Rooted in Breiman et al.'s CART framework (1984), regularization converts the greedy tree-growing procedure into a bias-variance tradeoff, yielding models that generalize better to unseen data than fully-grown trees.	Regularized linear regression adds a penalty term to the ordinary least-squares objective, shrinking or zeroing out coefficients to reduce overfitting and handle multicollinearity. The three main variants — Ridge (L2 penalty), Lasso (L1 penalty), and Elastic Net (combined L1+L2) — make linear regression usable even when features outnumber observations or predictors are highly correlated.