> ML_ALGORITHM // RIDGE-LASSO-ELASTICNET_v1.0
Düzenlileştirilmiş Doğrusal Modeller (Ridge, Lasso, ElasticNet)
Aşırı öğrenmeyi önlemek ve otomatik özellik seçimi yapmak için L1 (Lasso) ve L2 (Ridge) cezalarıyla genişletilmiş doğrusal regresyon.
Linear & Generalized Modelsclassical-supervisedhigh-intrinsicsmall (<1k)
Tüm Algoritmalara DönHesaplama Karmaşıklığı
Eğitim (Training):O(n * p^2) via coordinate descent
Çıkarım (Inference):O(p)
Donanım Karakteristiği
CPU Uygunluğu:Evet
GPU Zorunluluğu:Hayır
Bellek Ayak İzi:low
Açıklanabilirlik ve Veri
Açıklanabilirlik Düzeyi:high-intrinsic
Eğitim Verisi İhtiyacı:small (<1k)
Açıklanabilirlik Değerlendirmesi
Lasso kesin seyreklik uygulayarak bilgi taşımayan değişken katsayılarını tam sıfıra indirir.
Uygun Görevler ve Desteklenen Modaliteler
Uygun Görevler:
regressionbinary classificationfeature extraction
Desteklenen Modaliteler:
tabular
Uygulayıcı Kütüphaneler
Temel Literatür & Yayınlar
Regression Shrinkage and Selection via the LassoRobert Tibshirani (1996) · Journal of the Royal Statistical Society: Series B (Methodological)
Regularization and variable selection via the elastic netHui Zou, Trevor Hastie (2005) · Journal of the Royal Statistical Society: Series B (Statistical Methodology)
Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler
- Ceza uygulamadan önce özellikleri standartlaştırmamak
- Saf Lasso modelinde eşdoğrusal özellik grupları arasındaki rastgele seçimi göz ardı etmek