Paste
Copy
Cut
Options

¡Tu solución está lista!

Nuestra ayuda de expertos desglosó tu problema en una solución confiable y fácil de entender.

Mira la respuesta
  • Pregunta: La regresión Ridge y Lasso son dos estimadores de regresión basados ​​en la penalización. ¿Cuál de las siguientes afirmaciones describe en qué se parecen y en qué se diferencian? (Comprobar todo lo que aplicar.) A. Con ridge y Lasso, el ajuste de regresión y los coeficientes estimados dependen de los regresores específicos elegidos para las combinaciones

    La regresión Ridge y Lasso son dos estimadores de regresión basados ​​en la penalización.

    ¿Cuál de las siguientes afirmaciones describe en qué se parecen y en qué se diferencian?

    (Comprobar

    todo lo que

    aplicar.)

    A.

    Con ridge y Lasso, el ajuste de regresión y los coeficientes estimados dependen de los regresores específicos elegidos para las combinaciones lineales.

    B.

    Tanto la regresión de la cresta como el Lasso estiman que muchos coeficientes son exactamente 0, por lo que los excluyen del proceso de predicción.

    C.

    El estimador de regresión de cresta minimiza la suma de los cuadrados de los residuos sin la penalización adicional y el estimador Lasso minimiza la suma de los cuadrados penalizada.

    D.

    La penalización de regresión de cresta aumenta con la suma de los coeficientes al cuadrado y la penalización de Lasso aumenta con la suma de los valores absolutos de los coeficientes.

  • Chegg Logo
    Esta es la mejor manera de resolver el problema.
    Solución

    LASSO TIENDE A FUNCIONAR BIEN SI HAY UN PEQUEÑO NÚMERO DE PARÁMETROS SIGNIFICATIVOS Y LOS DEMÁS ESTÁN CERCANOS A CERO (ERGO CUANDO SÓLO POCOS PREDICTORES REALMENTE INFLUY

    Mira la respuesta completa
    answer image blur