Elastische Netzregression

Kurzbeschriebung

Die Elastische Netzregression (Elastic Net Regression) ist ein regularisiertes Regressionsverfahren, das die Eigenschaften der Lasso-Regression (L1-Strafe) und der Ridge-Regression (L2-Strafe) kombiniert. Ziel ist es, stabile Schätzungen in Situationen mit vielen, möglicherweise stark korrelierten Prädiktoren zu erhalten.

Formal minimiert die elastische Netzregression eine Verlustfunktion der Form '"`UNIQ--math-00000000-QINU`"', wobei '"`UNIQ--math-00000001-QINU`"' die Gesamtstärke der Regularisierung und '"`UNIQ--math-00000002-QINU`"' das Mischungsverhältnis zwischen L1- und L2-Strafe steuert. Für '"`UNIQ--math-00000003-QINU`"' ergibt sich Lasso, für '"`UNIQ--math-00000004-QINU`"' Ridge.

Durch diese Kombination kann das elastische Netz Gruppen korrelierter Variablen gemeinsam selektieren, anstatt – wie Lasso – nur eine einzelne Variable auszuwählen. Es ist damit besonders geeignet für hochdimensionale Probleme, bei denen Prädiktoren zahlreich und untereinander abhängig sind.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen und Public Health wird die elastische Netzregression häufig bei hochdimensionalen Prädiktions- und Inferenzproblemen eingesetzt, etwa bei genetischen Daten, Biomarker-Studien, EHR-Daten oder Modellen mit vielen sozioökonomischen Kovariaten. Sie erlaubt es, relevante Einflussfaktoren zu identifizieren und gleichzeitig Überanpassung zu vermeiden.

Besonders nützlich ist die Methode, wenn Multikollinearität vorliegt oder wenn die Anzahl der Prädiktoren die Anzahl der Beobachtungen übersteigt. In der Praxis dient sie sowohl als prädiktives Modell als auch als strukturierendes Analysewerkzeug, etwa zur Variablenselektion vor weiterführenden Modellen.

Sonstiges

Vereint Vorteile von Lasso und Ridge

Hyperparameterwahl (λ, α) meist per Kreuzvalidierung

Lineares Modell – keine automatische Modellierung von Nichtlinearitäten

Semantik

Wikidata-Identifikator ist: Q17099158

Deutsche Wikipediaseite ist: Elastisches_Netz

Englische Wikipediaseite ist: https://en.wikipedia.org/wiki/Elastic_net_regularization

Quelle: Zou & Hastie (2005), Regularization and Variable Selection via the Elastic Net

Behandlung von Unsicherheit in den Ergebnissen der Methode ist implizit

Für die Methode benötigte Datenmenge ist mittel

Zweck der Methode ist Vorhersage;Inferenz„Vorhersage;Inferenz“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Statistisch;Maschinelles Lernen„Statistisch;Maschinelles Lernen“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist mittel

Webseite: https://glmnet.stanford.edu/