La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Régularisation

R2026a

Régression Ridge, Lasso et Elastic Net pour les modèles linéaires

Pour améliorer la précision avec des jeux de données de faible ou moyenne dimension, implémentez une régression par la méthode des moindres carrés en appliquant une régularisation avec lasso ou ridge.

Pour réduire le temps de calcul avec des jeux de données de grande dimension, ajustez un modèle de régression linéaire régularisée avec fitrlinear.

Fonctions

développer tout

Régularisation sans utiliser d’objet

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

Régularisation avec les fonctions `RegressionLinear`

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

Objets

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

Rubriques

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.