เปรียบเทียบวิธี

	การเรียนรู้แบบกึ่งกำกับดูแลแบบปรับให้เหมาะสม	Regularized Logistic Regression
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006	1996–2005
ผู้ริเริ่ม	Belkin, M.; Niyogi, P.; Sindhwani, V.	Tibshirani, R. (lasso); Hoerl & Kennard (ridge); Zou & Hastie (elastic net)
ประเภท	Regularized learning paradigm	Penalized classification model
แหล่งต้นตำรับ	Belkin, M., Niyogi, P., & Sindhwani, V. (2006). Manifold regularization: A geometric framework for learning from labeled and unlabeled examples. Journal of Machine Learning Research, 7, 2399–2434.	Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.
ชื่อเรียกอื่น	manifold regularization, graph-regularized SSL, semi-supervised regularization, Laplacian regularization	penalized logistic regression, L1 logistic regression, L2 logistic regression, elastic net logistic regression
ที่เกี่ยวข้อง	6	5
สรุป	Regularized semi-supervised learning adds explicit geometric or graph-based penalty terms to a semi-supervised objective so that the decision function varies smoothly over the data manifold. Pioneered through manifold regularization (Belkin, Niyogi & Sindhwani, 2006), it exploits the structure of both labeled and unlabeled examples to learn more accurate models than supervised regularization alone when labeled data are scarce.	Regularized logistic regression extends standard logistic regression by adding an L1 (lasso), L2 (ridge), or elastic net penalty to the log-likelihood, shrinking coefficients toward zero and preventing overfitting. It is the default choice for binary or multinomial classification when you want interpretable, sparse, or stable coefficient estimates in high-dimensional or collinear feature spaces.