Regularized Logistic Regression
การถดถอยโลจิสติกแบบปรับให้เหมาะสม (Regularized logistic regression) เป็นการขยายการถดถอยโลจิสติกมาตรฐาน โดยการเพิ่มค่าปรับแบบ L1 (lasso), L2 (ridge), หรือ elastic net เข้าไปในฟังก์ชัน log-likelihood เพื่อลดทอนค่าสัมประสิทธิ์เข้าใกล้ศูนย์และป้องกันการเรียนรู้เกิน (overfitting) เป็นตัวเลือกเริ่มต้นสำหรับการจำแนกประเภทแบบทวิภาค (binary) หรือหลายประเภท (multinomial) เมื่อต้องการค่าสัมประสิทธิ์ที่ตีความได้, กระจัดกระจาย (sparse), หรือเสถียร ในปริภูมิของคุณลักษณะที่มีมิติสูง (high-dimensional) หรือมีความสัมพันธ์กัน (collinear).
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+4 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. 4, 18). Springer. ISBN: 978-0-387-84857-0
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Regularized Logistic Regression (L1 / L2 / Elastic Net Penalized Binary and Multinomial Classification). ScholarGate. https://scholargate.app/th/machine-learning/regularized-logistic-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
- Linear Discriminant Analysis (LDA)การเรียนรู้ของเครื่อง↔ compare
- การถดถอยโลจิสติก (ML)การเรียนรู้ของเครื่อง↔ compare
- Naive Bayesการเรียนรู้ของเครื่อง↔ compare
- การถดถอยเชิงเส้นแบบปรับค่า (Regularized Linear Regression)การเรียนรู้ของเครื่อง↔ compare