เปรียบเทียบวิธี

	การถดถอยเชิงเส้นแบบทนทาน	การถดถอยเชิงเส้นแบบปรับค่า (Regularized Linear Regression)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1964–1987	1970–2005
ผู้ริเริ่ม	Huber, P. J.; Rousseeuw, P. J.	Hoerl & Kennard (Ridge, 1970); Tibshirani (Lasso, 1996); Zou & Hastie (Elastic Net, 2005)
ประเภท	Outlier-resistant supervised regression	Penalized linear model
แหล่งต้นตำรับ	Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73–101.	Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.
ชื่อเรียกอื่น	robust regression, M-estimator regression, Huber regression, outlier-resistant regression	Ridge regression, Lasso regression, Elastic Net regression, penalized regression
ที่เกี่ยวข้อง	5	4
สรุป	Robust linear regression fits a linear model between predictors and a continuous outcome while down-weighting or discarding influential outliers, preventing the few anomalous observations that OLS is famously sensitive to from distorting the entire estimated line. Major variants include Huber regression, iteratively reweighted least squares (IRLS), RANSAC, and Theil-Sen estimation.	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.