En guide viser hvordan LASSO, Ridge og Elastic Net kan implementeres i Excel og hvorfor regularisering endrer koeffisientene uten å endre modellformen.
Artikkelen beskriver at penaliserte versjoner av lineær regresjon kombinerer MSE med en norm på koeffisientene: Ridge bruker L2 (kvadratisk) straff som gir jevnere, ikke-null koeffisienter og håndterer kollinearitet, mens LASSO bruker L1 (absolutt) straff som kan sette enkelte koeffisienter eksakt til null og dermed utfører variabelseleksjon. Elastic Net kombinerer begge for å gi balanse mellom stabilitet og sparsitet. For modellen forblir prediksjonsformelen uendret; det som endres er koeffisientene og treningslossens tilleggsterm. Regulariserte modeller introduserer hyperparametere (lambda) og trenes ved samme prinsipp som vanlig minste kvadraters metoder, men med straff i gradientene. Forfatteren viser implementasjon i Excel, beregning av penaliserte gradienter, sammenligning av MSE og regulert MSE over iterasjoner, og visualisering av koeffisienter ved store lambda-verdier.
Reguleringsteknikker som LASSO og Ridge adresserer kollinearitet og ustabile koeffisienter, problemer som også opptrer i norsk statistikk og anvendt datavitenskap. Artikkelen (Angela Shi, 13. desember 2025) gir praktisk veiledning for implementering i Excel og er relevant for fagmiljøer innen kunstlig intelligens (KI), for diskusjoner i AI-Norge og for dekning i AI-nyheter.
Kilde: https://towardsdatascience.com/the-machine-learning-advent-calendar-day-13-lasso-and-ridge-regression-in-excel | Sammendraget er KI-generert med OpenAI API og kvalitetssikret av redaksjonen i Ainy.no
