Regression modelRegression / GLM
การถดถอยแบบ Elastic Net
การถดถอยแบบ Elastic Net ผสมผสานการลงโทษแบบ L1 (lasso) และ L2 (ridge) เข้าไว้ในกรอบการทำงานการถดถอยแบบปกติเดียว ควบคุมโดยพารามิเตอร์ผสมอัลฟา (alpha) และความแรงของการหดตัวแลมบ์ดา (lambda) สามารถเลือกตัวแปรและจัดการกับตัวทำนายที่มีความสัมพันธ์กันได้พร้อมกัน — ซึ่งช่วยเอาชนะข้อจำกัดหลักของการใช้ lasso หรือ ridge เพียงอย่างเดียว
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), 301-320. DOI: 10.1111/j.1467-9868.2005.00503.x ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. ISBN: 978-0387848570
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/th/statistics/elastic-net-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.
- Lasso Regressionการเรียนรู้ของเครื่อง↔ compare
- การถดถอยกำลังสองน้อยที่สุดสามัญ (OLS)เศรษฐมิติ↔ compare
- การถดถอยควอนไทล์เศรษฐมิติ↔ compare
- Regularized Logistic Regressionการเรียนรู้ของเครื่อง↔ compare
- Ridge Regressionการเรียนรู้ของเครื่อง↔ compare
- การถดถอยแบบทนทานสถิติศาสตร์↔ compare