Lasso 迴歸（L1 正則化迴歸） vs 逐步迴歸分析
Lasso Regression vs Stepwise Regression
Lasso 迴歸（L1 正則化迴歸） 側重 一種在線性迴歸損失函數中加入 L1 懲罰項的迴歸方法，可自動將不重要特徵係數壓縮至零，實現特徵選取。，而 逐步迴歸分析 側重 逐步迴歸分析是一種特徵選擇演算法，透過反覆加入或移除自變數，建立預測目標變數的最佳統計模型。。
逐項比較
| 項目 | Lasso 迴歸（L1 正則化迴歸） | 逐步迴歸分析 |
|---|---|---|
| 一句定義 | 一種在線性迴歸損失函數中加入 L1 懲罰項的迴歸方法，可自動將不重要特徵係數壓縮至零，實現特徵選取。 | 逐步迴歸分析是一種特徵選擇演算法，透過反覆加入或移除自變數，建立預測目標變數的最佳統計模型。 |
| 常見標籤 | 正則化、特徵選取、線性模型、L1 懲罰、稀疏模型、機器學習 | 機器學習、統計方法、特徵工程、source:ipas |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | Lasso 迴歸與 Ridge 迴歸最主要的差異是什麼？ | 逐步迴歸分析是否能夠解決多重共線性的問題？ |