Dans de nombreuses situations, les deux valent la peine d'être essayés. Lasso est bon pour donner des informations sur les facteurs d'intérêt lorsque l'on a besoin d'estimations de paramètres individuels avec un certain biais inclus Lasso, car c'est un technique de régression pénalisée , tente d'ajuster de meilleurs modèles en réduisant les coefficients du modèle vers zéro et les estimations qui en résultent sont biaisées. Lasso est particulièrement utile pour les grands ensembles de données, où la colinéarité est généralement un problème et f ou de petits ensembles de données avec peu de corrélation, y compris des expériences conçues. Lasso peut être utilisé pour obtenir de meilleurs modèles prédictifs ou pour sélectionner des variables pour la réduction du modèle ou pour une étude future.
En cas de doute, envisagez de créer plusieurs modèles et d'utiliser la comparaison de modèles, disponible dans JMP Pro, pour comparer les modèles.
