Regularisierung

Ridge-Regression, Lasso und elastische Netze für lineare Modelle

Um eine höhere Präzision bei nieder- bis mitteldimensionalen Datensätzen zu erreichen, können Sie mithilfe von lasso oder ridge eine Least-Squares-Regression mit einer Regularisierung implementieren.

Für eine reduzierte Berechnungszeit bei höherdimensionalen Datensätzen passen Sie ein regularisiertes lineares Regressionsmodell mithilfe von fitrlinear an.

Funktionen

alle erweitern

Regularisierung ohne Verwendung von Objekten

`lasso`	Lasso or elastic net regularization for linear models
`ridge`	Ridge regression
`lassoPlot`	Trace plot of lasso fit

Regularisierung mithilfe von `RegressionLinear`-Funktionen

`fitrlinear`	Fit linear regression model to high-dimensional data
`predict`	Predict response of linear regression model

Objekte

`RegressionLinear`	Linear regression model for high-dimensional data
`RegressionPartitionedLinear`	Cross-validated linear regression model for high-dimensional data

Themen

Lasso Regularization
See how lasso identifies and discards unnecessary predictors.
Lasso and Elastic Net with Cross Validation
Predict the mileage (MPG) of a car based on its weight, displacement, horsepower, and acceleration using lasso and elastic net.
Wide Data via Lasso and Parallel Computing
Identify important predictors using lasso and cross-validation.
Lasso and Elastic Net
The lasso algorithm is a regularization technique and shrinkage estimator. The related elastic net algorithm is more suitable when predictors are highly correlated.
Ridge Regression
Ridge regression addresses the problem of multicollinearity (correlated model terms) in linear regression problems.