En muchas situaciones, vale la pena probar ambos. Lasso es bueno para dar información sobre factores de interés cuando se necesitan estimaciones de parámetros individuales con algún sesgo incluido Lasso, porque es un técnica de regresión penalizada , intenta ajustar mejores modelos reduciendo los coeficientes del modelo hacia cero y las estimaciones resultantes están sesgadas. Lasso es particularmente útil para grandes conjuntos de datos, donde la colinealidad suele ser un problema y f o pequeños conjuntos de datos con poca correlación, incluidos los experimentos diseñados. Lasso se puede utilizar para obtener mejores modelos predictivos o para seleccionar variables para la reducción del modelo o para estudios futuros.
Cuando tenga dudas, considere crear varios modelos y usar Comparación de modelos, disponible en JMP Pro, para comparar los modelos.
