На этой странице Вы можете получить подробный анализ слова или словосочетания, произведенный с помощью лучшей на сегодняшний день технологии искусственного интеллекта:
математика
гребневая регрессия
общая лексика
основная цепь
математика
линия хребта
строительное дело
водораздел
нефтегазовая промышленность
гребень антиклинали
[ridʒ]
общая лексика
гребень
всполье
зига
конек крыши
ребристый
ребро
увал
хребет
строительное дело
конёк (крыши)
выступ
нефтегазовая промышленность
кромка на буровой стали
бороздка на забое (прорезанная зубом)
горный кряж
складка, гребень
Смотрите также
существительное
[ridʒ]
общая лексика
горный кряж
горный хребет
гряда гор
водораздел
гребень горы
рубчик (на материи)
толстая кромка
край
ребро (монеты)
спинка (носа)
горный кряж, хребет
подводная скала
конек (крыши)
грядка
гребень борозды
рубчик (на материи)
край, ребро
архитектура
конёк
коньковый брус
добыча полезных ископаемых
сводчатая кровля выработки
сельское хозяйство
гребень (борозды)
свальная борозда
метеорология
гребень высокого давления
техника
прилив
глагол
общая лексика
образовывать складки
морщить
топорщить
собираться в складки
морщиться
топорщиться
делать конёк на крыше
образовывать складки или борозды
сельское хозяйство
нарезать борозды
окучивать
нефтегазовая промышленность
горный хребет
Ridge regression is a method of estimating the coefficients of multiple-regression models in scenarios where the independent variables are highly correlated. It has been used in many fields including econometrics, chemistry, and engineering. Also known as Tikhonov regularization, named for Andrey Tikhonov, it is a method of regularization of ill-posed problems. It is particularly useful to mitigate the problem of multicollinearity in linear regression, which commonly occurs in models with large numbers of parameters. In general, the method provides improved efficiency in parameter estimation problems in exchange for a tolerable amount of bias (see bias–variance tradeoff).
The theory was first introduced by Hoerl and Kennard in 1970 in their Technometrics papers “RIDGE regressions: biased estimation of nonorthogonal problems” and “RIDGE regressions: applications in nonorthogonal problems”. This was the result of ten years of research into the field of ridge analysis.
Ridge regression was developed as a possible solution to the imprecision of least square estimators when linear regression models have some multicollinear (highly correlated) independent variables—by creating a ridge regression estimator (RR). This provides a more precise ridge parameters estimate, as its variance and mean square estimator are often smaller than the least square estimators previously derived.