【MachineLearning】之 LASSO 回归

本文介绍了LASSO回归的几何意义,通过约束优化目标函数避免过拟合。讨论了LASSO回归的L1正则项与岭回归的L2正则项的区别,并给出了LASSO回归的代码实现。通过添加L1正则项,LASSO回归能够使部分系数变为0,从而实现特征选择。
摘要由CSDN通过智能技术生成
Topic:
  1. LASSO 回归 的 几何意义
  2. LASSO 代码
  3. LASSO 的 L1 L 1 正则项 与 岭回归 的 L2 L 2 有什么不同?

一、LASSO回归的几何意义


与岭回归相似,LASSO 回归优化的目标函数也等价于:

FLASSO=yXw22 F L A S S O = ‖ y − X w ‖ 2 2

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值