Lasso Regresyonu
Least Absolute Shrinkage and Selection Operator (LASSO) · Ayrıca şöyle bilinir: LASSO Regresyonu, lasso, L1-regularized regression, L1 regularization
Robert Tibshirani tarafından 1996'da tanıtılan Lasso regresyonu, kayba bir L1 cezası ekleyerek katsayıları küçülten ve aynı zamanda değişken seçimi yapan, seyrek bir model üreten doğrusal bir regresyon yöntemidir. Bazı katsayıları tam olarak sıfıra indirerek yalnızca önemli olan öngörücüleri tutar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+14 tane daha
Ne zaman kullanılır
Çok sayıda sürekli, ikili veya sayım öngörücüsünden ve en az yaklaşık 30 gözlemden elde edilen tahmin veya açıklama için seyrek, yorumlanabilir bir doğrusal model istediğinizde iyi bir uyum sağlar. Özellikle çoklu doğrusallık mevcut olduğunda (örneğin VIF 10'un üzerinde) ve yöntemin hangi değişkenlerin tutulacağını kendisinin seçmesini istediğinizde kullanışlıdır. Kabaca doğrusal bir ilişki varsayar ve özelliklerin standartlaştırılmasını gerektirir. Yaklaşık 30 gözlemin altında, değişken seçimi kararsız hale gelir ve ridge regresyonu daha güvenlidir; öngörücü sayısı örneklem boyutunu aştığında, elastik net tercih edilir.
Güçlü yönler & sınırlılıklar
- Tek bir uydurmada değişken seçimi ve katsayı küçültme gerçekleştirir, seyrek, yorumlanabilir bir model elde eder.
- Zayıf öngörücüleri tam olarak sıfıra indirerek modeli basitleştirir ve aşırı uyumu azaltır.
- Değişkenleri manuel olarak düşürmeden çoklu doğrusallığa (yüksek VIF) doğal bir yanıttır.
- Normal dağılımlı veriler gerektirmez ve sürekli, ikili ve sayım öngörücülerini işler.
- Yalnızca bir ayar parametresi (lambda) vardır, bu da çapraz doğrulama ile ayarlanması kolaydır.
- Öngörücüler ve sonuç arasındaki doğrusal bir ilişkiyi varsayar.
- Özellikler önce standartlaştırılmalıdır, aksi takdirde ceza farklı ölçeklerdeki değişkenlere adaletsiz davranır.
- Küçük örneklemlerde (yaklaşık 30'un altındaki n) seçilen değişkenler kararsızdır ve tekrarlanamaz.
- Öngörücü sayısı örneklem boyutunu aştığında en fazla n değişken seçebilir, bu nedenle elastik net tercih edilir.
SSS
Lambda nasıl seçilir?
Lambda, katsayıları ne kadar güçlü bir şekilde cezalandırıldığını kontrol eder. Çapraz doğrulama ile seçilir: bir dizi değer denenir ve çapraz doğrulanan ortalama karesel hatayı minimize eden değer tutulur.
Neden özellikleri standartlaştırmalıyım?
Tek L1 cezası her katsayıya eşit olarak uygulanır, bu nedenle daha büyük ölçeklerde ölçülen öngörücüler aksi takdirde daha az cezalandırılırdı. Özellikleri önce standartlaştırmak, cezayı değişkenler arasında adil hale getirir.
Lasso, ridge regresyonundan nasıl farklıdır?
Lasso, katsayıları tam olarak sıfıra ayarlayabilen ve değişken seçimi yapan bir L1 cezası kullanırken, ridge katsayıları küçülten ancak sıfırlamayan bir L2 cezası kullanır. Küçük örneklemlerde veya seçim kararsız olduğunda, ridge daha güvenli bir seçenektir.
Uydurma sonrası ne kontrol etmeliyim?
Seçilen lambda'yı doğrulamak için çapraz doğrulama MSE eğrisini inceleyin, hangi değişkenlerin tutulduğunu ve hangilerinin sıfıra ayarlandığını gözden geçirin ve artık grafiklerini normallik ve homojenlik açısından inceleyin.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Least Absolute Shrinkage and Selection Operator (LASSO). ScholarGate. https://scholargate.app/tr/machine-learning/lasso-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Elastic NetMakine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır
- Ridge Regression (Sırt Regresyonu)Makine öğrenmesi↔ karşılaştır