У моєму класі машинного навчання ми дізналися про те, наскільки регресія LASSO дуже гарна при виборі функцій, оскільки використовує регуляризацію .
Моє запитання: чи зазвичай люди використовують модель LASSO лише для вибору функцій (а потім переходять до скидання цих функцій в іншу модель машинного навчання), або вони зазвичай використовують LASSO для вибору функції та фактичної регресії?
Наприклад, припустимо, що ви хочете зробити регресію хребта, але ви вважаєте, що багато ваших особливостей не дуже хороші. Було б розумним запустити LASSO, взяти лише ті функції, які не є нульовими за алгоритмом, а потім використовувати лише ті, що скидають ваші дані в регресійну модель хребта? Таким чином, ви отримуєте перевагу регуляризації для вибору функції функції, але також і перевагу регуляризації для зменшення перевитрати. (Я знаю, що це, в основному, означає еластичну чисту регресію, але, схоже, вам не потрібно включати як терміни і в кінцевій функції регресії.)
Окрім регресії, це мудра стратегія при виконанні завдань класифікації (використання SVM, нейронних мереж, випадкових лісів тощо)?