개요
- ridge regression
- 리지 회귀, 능선 회귀, 능형 회귀, 능형 회귀분석
- 높은 긍정 값 또는 낮은 부정 값을 갖는 이상점 가중치를 0은 아니지만 0에 가깝게 유도한다.
- 다중 회귀를 의미하며 설명 변수 간에 다중 공선성 관계가 있을 때 그 대책의 하나
- 리지 매개변수를 이용하여 다중 공선성 관계를 검출하거나 수정한다.
- <math>\mathrm{RSS}=\sum_{i=1}^n \left( y_i-β_0-\sum_{j=1}^p β_j x_{ij} \right)^2</math>
- 최소화하는 β를 찾는다.
- <math>\sum_{i=1}^n \left( y_i-β_0-\sum_{j=1}^p β_j x_{ij} \right)^2 + λ \sum_{j=1}^p β_j^2 = \mathrm{RSS}+λ \sum_{j=1}^p β_j^2</math>
같이 보기
- 선형 회귀
- L₂ 벌점(L₂ penalty)
- L₂ 정칙화(L₂ regularization)
- Lasso 회귀
- 벌점화 회귀
- Shrinkage penalty
- Ridge, Lasso, Elastic Net
- sklearn.linear_model.Ridge
- R 리지 회귀분석
- sklearn 리지 회귀분석
- 리지 회귀, 라쏘 회귀
네이버백과 "리지 회귀"