このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。
正則化
リッジ回帰、LASSO、Elastic Net
低~中次元のデータセットで精度を向上させるには、lasso
または ridge
を使用して正則化がある最小二乗回帰を実装します。
高次元データセットの計算時間を短縮するには、fitrlinear
を使用して、正則化された線形回帰モデルを当てはめます。
関数
fitrlinear | 高次元データに対する線形回帰モデルの当てはめ |
predict | 線形回帰モデルの応答予測 |
クラス
RegressionLinear | 高次元データ用の線形回帰モデル |
RegressionPartitionedLinear | 高次元データ用の交差検証済み線形回帰モデル |
トピック
- LASSO 正則化
不要な予測子を
lasso
がどのように識別して破棄するかを調べます。 - 交差検証による LASSO および Elastic Net
lasso
と Elastic Net を使用して、重量、排気量、馬力および加速に基づく自動車の燃費 (MPG) を予測します。 - LASSO および並列計算によるワイド データ
lasso
と交差検証を使用して重要な予測子を識別します。 - LASSO および Elastic Net
lasso
アルゴリズムは正則化手法であり縮小推定器です。関連する Elastic Net アルゴリズムは、予測子間の相関性が高い場合に適しています。 - リッジ回帰
リッジ回帰は、線形回帰問題における多重共線性 (相関モデル項) の問題に対処します。