L1penaloinnin
L1-penalointi, usein puhuttu L1-regularisaationa tai Lasso’n nimellä, on tilastollinen ja koneoppimisen tekniikka, jonka tarkoituksena on estää ylisovitusta lisäämällä kustannusfunktioon rangaistus, joka on verrannollinen mallin kertoimien absoluuttisiin arvoihin. Mallin ydin on ennustaa vasteyhteyksiä Xβ lähtevän datan perusteella.
Matemaattisesti L1-penalointi muuttaa optimoitavaa tehtävää siten, että etsitään β, joka minimoi loss-funktion L(y, Xβ) sekä λ-kertaisen L1-normin,
Ominaisuudet ja käyttö. L1-penalointi tuottaa harvoin parametreja, mikä tekee mallista tulkittavamman ja helpommin toteutettavan suurella määrällä
Optimointi. L1-penalointi on kongruentti ongelma, mutta ei derivoituvuusnollakohtien takia, joten käytetään usein koordinaattieuinsinöintiä, alkeisgradienteja tai LARS-algoritmia.
Sovellukset ja variantit. Sillä on laajoja käyttökohteita lineaarisessa ja logistisessa regresiossa sekä yleisissä lineaarisissa malleissa. Elastic