Elastic Net
Elastic Net Regularized Regression · Ayrıca şöyle bilinir: Elastic Net Regresyon, elastic net regression, ElasticNet, L1/L2 regularized regression
Elastic Net, Zou ve Hastie tarafından 2005 yılında tanıtılan, hem LASSO (L1) hem de Ridge (L2) cezalarını birleştiren düzenlileştirilmiş bir doğrusal regresyon yöntemidir; bu sayede hem değişken seçimi hem de katsayı küçültme işlemini aynı anda gerçekleştirir. Çok sayıda, muhtemelen ilişkili, öngörücü içeren veriler üzerinde öngörüsel ve açıklayıcı modelleme için tasarlanmıştır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Çok sayıda öngörücünüz olduğunda — özellikle ilişkili olanlar veya gözlem sayısından fazla özellik olduğunda — ve otomatik değişken seçimi ile küçültme istediğinizde, sürekli, ikili veya sayım sonuçları için tahmin veya açıklama amacıyla Elastic Net kullanın. Kabaca doğrusal bir ilişki varsayar ve özelliklerin normalleştirildiğini kabul eder. Her iki hiperparametrenin de çapraz doğrulama ile ayarlanabilmesi için en az yaklaşık 30 gözleme ihtiyacınız vardır; bunun altında, düz LASSO veya Ridge daha güvenlidir.
Güçlü yönler & sınırlılıklar
- LASSO değişken seçimini Ridge küçültmesiyle tek bir modelde birleştirir.
- İlişkili öngörücüleri zarif bir şekilde ele alır, onları grup olarak tutma veya düşürme eğilimindedir.
- Özellik sayısı gözlem sayısını aştığında çalışır.
- Dağılım-hafif: normal dağılımlı sonuçlar gerektirmez ve sürekli, ikili ve sayım özelliklerini ele alır.
- Öngörücüler ve sonuç arasındaki yaklaşık doğrusal bir ilişkiyi varsayar.
- Özellikler önce normalleştirilmelidir, aksi takdirde ceza büyük ölçekli değişkenlere haksız yere avantaj sağlar.
- İki hiperparametre (ceza gücü ve L1/L2 oranı) ayarlanmalıdır, bu da tek ceza yöntemlerinden daha fazla çapraz doğrulama verisi gerektirir.
- Küçük örneklemlerde (n yaklaşık 30'un altında) L1/L2 karıştırma oranı optimize etmek için kararsızdır.
SSS
Elastic Net, LASSO ve Ridge'den nasıl farklıdır?
LASSO yalnızca L1 cezasını kullanır (seçim ancak ilişkili öngörücülerle kararsız); Ridge yalnızca L2 cezasını kullanır (kararlı küçültme ancak hiçbir değişkeni düşürmez). Elastic Net, bir karıştırma oranı ile kontrol edilen her ikisini de harmanlar, böylece değişkenleri seçer ve ilişkili özelliklerle kararlı kalır.
Özelliklerimi ölçeklendirmem gerekiyor mu?
Evet. Ceza, katsayıların büyüklüğüne etki eder, bu nedenle özellikler önce normalleştirilmelidir; aksi takdirde büyük ölçekli değişkenlere farklı şekilde ceza uygulanır ve seçim yanlı olur.
Kaç gözleme ihtiyacım var?
En az yaklaşık 30. Elastic Net, çapraz doğrulama ile iki hiperparametreyi ayarlar, bu nedenle tek ceza yöntemlerinden daha fazla veriye ihtiyaç duyar. 30'un altında, seçim gerekiyorsa düz LASSO veya küçültme gerekiyorsa Ridge kullanın.
İki hiperparametre neyi kontrol eder?
Toplam ceza gücü (λ), katsayıların ne kadar küçültüleceğini kontrol eder ve karıştırma oranı (l1_ratio), L1 seçim cezası ile L2 küçültme cezası arasındaki dengeyi ayarlar. Her ikisi de çapraz doğrulama ile seçilir.
Kaynaklar
- 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. DOI: 10.1111/j.1467-9868.2005.00503.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Elastic Net Regularized Regression. ScholarGate. https://scholargate.app/tr/machine-learning/elastic-net
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Lasso RegresyonuMakine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Ridge Regression (Sırt Regresyonu)Makine öğrenmesi↔ karşılaştır