การถดถอยเชิงเส้นแบบปรับค่า (Regularized Linear Regression)
การถดถอยเชิงเส้นแบบปรับค่า (Regularized linear regression) เพิ่มพจน์การลงโทษ (penalty term) เข้าไปในฟังก์ชันวัตถุประสงค์ของวิธีกำลังสองน้อยที่สุด (ordinary least-squares objective) เพื่อลดขนาดหรือทำให้สัมประสิทธิ์เป็นศูนย์ (shrinking or zeroing out coefficients) อันเป็นการลดการเรียนรู้เกิน (overfitting) และจัดการกับปัญหาความสัมพันธ์เชิงเส้นพหุ (multicollinearity) รูปแบบหลักสามรูปแบบ ได้แก่ Ridge (การลงโทษแบบ L2), Lasso (การลงโทษแบบ L1) และ Elastic Net (การรวมกันของ L1+L2) ทำให้การถดถอยเชิงเส้นสามารถใช้งานได้ แม้ในกรณีที่จำนวนตัวแปรทำนาย (features) มีมากกว่าจำนวนการสังเกต (observations) หรือตัวแปรทำนายมีความสัมพันธ์กันสูง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
แหล่งอ้างอิง
- Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288. DOI: 10.1111/j.2517-6161.1996.tb02080.x ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 3). Springer. ISBN: 978-0-387-84858-7
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Regularized Linear Regression (Ridge, Lasso, Elastic Net). ScholarGate. https://scholargate.app/th/machine-learning/regularized-linear-regression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Elastic Netการเรียนรู้ของเครื่อง↔ compare
- การถดถอยเชิงเส้น (Linear Regression) (ML)การเรียนรู้ของเครื่อง↔ compare
- การถดถอยโลจิสติก (ML)การเรียนรู้ของเครื่อง↔ compare
- Regularized Logistic Regressionการเรียนรู้ของเครื่อง↔ compare