Miniatura

Fitxers

tfg_andrea_iglesias_munilla.pdf (634.05 KB)
notebooks.zip (1.12 MB)

Tipus de document

Treball de fi de grau

Data de publicació

2021-06-20

Llicència de publicació

cc-by-nc-nd (c) Andrea Iglesias Munilla, 2021
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/185163

El Lasso: regularització i selecció de predictors

Títol de la revista

Autors

Director/Tutor

ISSN de la revista

Títol del volum

Recurs relacionat

Resum

[en] Lasso (Least Absolute Shrinkage and Selection Operator) is a regression method that performs both regularization and variable selection, improving prediction accuracy and interpretability of the resulting model. In this project we follow evolution from the plain linear model, through Ridge regression, for many years the most popular technique to improve the precision of predictions, to Lasso. We delve into numerical procedures for calculating Lasso solutions: coordinate descent and LARS. We see some extensions of Lasso such as Elastic Net regression, a neat improvement when optimality fails. We illustrate these methods with several real data examples using the R programming language (see notebooks and HTML files in appendices to the main text).

Descripció

Treballs Finals de Grau de Matemàtiques, Facultat de Matemàtiques, Universitat de Barcelona, Any: 2021, Director: Josep Fortiana Gregori

Matèries

Anàlisi de regressió, Treballs de fi de grau, Estadística, Dades massives

Matèries (anglès)

Regression analysis, Bachelor's theses, Statistics, Big data

Citació

Col·leccions

Treballs Finals de Grau (TFG) - Matemàtiques

Citació

IGLESIAS MUNILLA, Andrea. El Lasso: regularització i selecció de predictors. [consulta: 20 de gener de 2026]. [Disponible a: https://hdl.handle.net/2445/185163]

Exportar metadades

JSON - METS

Compartir registre