Regularização: Ridge, Lasso e Elastic Net

45 min
Bloco 12 — Algoritmos de regressão
Objetivo
compreender por que a estimação por mínimos quadrados se degrada em dimensão elevada e sob colinearidade, definir rigorosamente a regularização como penalização do risco empírico, dominar as três penalidades usuais — L2 de Ridge, L1 do Lasso, combinação do Elastic Net — saber ler um caminho de regularização, calibrar o parâmetro alpha por validação cruzada, aplicar sem falha a condição prévia de padronização de escala, e transpor o conjunto para a classificação penalizada.
Duração estimada
70 minutos
Pré-requisitos
capítulos 017, 023, 025, 026, 031, 032, 034, 036, 044, 045 e 046
Quizzes associados
047.1-quiz-pourquoi-regulariser.md a 047.8-quiz-lecture-bayesienne.md

Pré-visualização — o resto da lição está reservado aos inscritos.

Já se inscreveu com um código?

O seu acesso está ligado à sua conta, não a esta ligação. Inicie sessão com o mesmo e-mail usado na aula: o seu curso está à espera, não precisa de introduzir o código de novo.

Iniciar sessãoAinda não tem conta? Criar uma
Esta lição faz parte do módulo «Algoritmos de regressão»

Os primeiros módulos do curso são de acesso livre. Para o resto há três possibilidades: comprar este curso de uma vez por todas, subscrever, ou introduzir o código entregue na aula.

Subscrever — 19 $ US/mêsVoltar ao plano
É estudante do curso?

O código fica ligado à sua conta: inicie sessão ou crie uma conta e ele será aplicado automaticamente ao regressar.

Ainda não tem conta? Criar uma