matlab最小二乘 弹性网络,正则化(3)：弹性网络回归

引言：在前面一小节中我们指出，在含有多个参数的模型中，如何做出对模型的优化。岭回归更好？还是lasso回归更优？参考：正则化(2)：与岭回归相似的 Lasso 回归。在这种情况下，还要一种折中的办法，就是选择弹性网络回归(Elastic Net Regression)。

1. lasso回归与岭回归的异同如下，如果已知模型中的很多变量为无关变量，如astrological offset和airspeed scalar等，我们倾向于选择lasso回归，从而使得拟合模型更加简洁和便于解读。

Size = y-intercept + slope x Weight + diet differece x Hight Fat Diet+

+ astrological offset x Sign + airspeed scalar x Airspeed of Swallow如下，如果模型中有非常多的变量，我们无法知道其是否是无关变量，如基于10000个基因的表达预测小鼠体积。在这种情况下，我们应该选择lasso回归，还是岭回归呢？

答案是弹性网络回归(Elastic Net Regression)。听名字非常炫酷，有弹性的回归，意味着它非常灵活能适应多用场景。简单来说，弹性网络回归是lasso回归和岭回归的结合版本。

2. 弹性网络回归是lasso回归和岭回归的结合版

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！