Elastic Net-regularisering

1. 1

   Reguleringsteknik i lineær regression, der tilføjer en straf bestående af en lineær kombination af L1- og L2-normen af koefficienterne.

   • I en Elastic Net-model med α=0.5 og λ=0.1 straffes modellen for både store og mange koefficienter.

Bruges i lineær regression og generaliserede lineære modeller, når man både ønsker variabelselektion (som i Lasso) og håndtering af korrelerede variable (som i Ridge). Den er især nyttig, når antallet af variable er større end antallet af observationer.

L(β) = min_β { 1/2n ||y - Xβ||^2 + λ (α||β||_1 + (1-α)/2 ||β||_2^2) }

from sklearn.linear_model import ElasticNet
model = ElasticNet(alpha=0.1, l1_ratio=0.5)
model.fit(X_train, y_train)

Eksempel på brug af Elastic Net i scikit-learn med α=0.1 og blandingsforhold l1_ratio=0.5.

Termen 'Elastic Net' refererer til en elastisk netværkslignende straf, der kombinerer L1- og L2-strafled.

• Regularization and Variable Selection via the Elastic Net