เปรียบเทียบวิธี

	Ridge Regression	Elastic Net
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1970	2005
ผู้ริเริ่ม	Hoerl, A.E. & Kennard, R.W.	Zou, H. & Hastie, T.
ประเภท	L2-regularized linear regression	Regularized linear regression (L1 + L2 penalty)
แหล่งต้นตำรับ	Hoerl, A.E. & Kennard, R.W. (1970). Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12(1), 55–67.	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 Regresyonu, ridge regresyonu, L2-regularized regression, Tikhonov regularization	Elastic Net Regresyon, elastic net regression, ElasticNet, L1/L2 regularized regression
ที่เกี่ยวข้อง	4	4
สรุป	Ridge Regression is an L2-regularized linear regression method, introduced by Arthur Hoerl and Robert Kennard in 1970, that reduces multicollinearity by adding a penalty on the size of the coefficients. It shrinks coefficients toward zero without setting any of them exactly to zero, producing more stable estimates when 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.