เปรียบเทียบวิธี

	การถดถอยเชิงเส้นแบบปรับค่า (Regularized Linear Regression)	Elastic Net
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1970–2005	2005
ผู้ริเริ่ม	Hoerl & Kennard (Ridge, 1970); Tibshirani (Lasso, 1996); Zou & Hastie (Elastic Net, 2005)	Zou, H. & Hastie, T.
ประเภท	Penalized linear model	Regularized linear regression (L1 + L2 penalty)
แหล่งต้นตำรับ	Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.	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	Ridge regression, Lasso regression, Elastic Net regression, penalized regression	Elastic Net Regresyon, elastic net regression, ElasticNet, L1/L2 regularized regression
ที่เกี่ยวข้อง	4	4
สรุป	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.	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.