估计方法的统计详细信息
惩罚回归方法通过赋予回归系数罚值引入了偏倚。
岭回归
在岭回归期间，回归系数应用了 l2 罚值。按以下公式给出岭回归系数的估计值：
,
其中，
是 l2 罚值，λ 是调节参数，N 是行数，p 是变量数。
Dantzig 选择器
在 Dantzig 选择器计算期间，回归系数应用了 l∞ 罚值。Dantzig 选择器的系数估计值满足以下准则：
其中，
表示 l∞ 范数，该范数是向量 v 的分量的最大绝对值。
Lasso 回归
在 Lasso 期间，回归系数应用了 l1 罚值。按以下公式给出 Lasso 的系数估计值：
,
其中，
是 l1 罚值，λ 是调节参数，N 是行数，p 是变量数
弹性网络
弹性网络组合 l1 和 l2 罚值。按以下公式给出弹性网络的系数估计值：
,
这是等式中使用的符号：
• 
是 l1 罚值
• 
是 l2 罚值
• λ 是调节参数
• α 是一个参数，用于确定 l1 和 l2 罚值的组合值
• N 是行数
• p 是变量数
提示：有两个样本脚本，这两个脚本演示变动单个预测变量的弹性网络中的 α 和 λ 的收缩影响。选择帮助 > 样本数据，点击打开样本脚本目录，然后选择 demoElasticNetAlphaLambda.jsl 或 demoElasticNetAlphaLambda2.jsl。每个脚本都包含关于使用方法和演示内容的说明。
自适应方法
自适应 Lasso 方法使用加权罚值来提供一致的系数估计值。l1 罚值的加权形式为
,
其中，若 MLE 存在，则 
是 MLE。若 MLE 不存在并且响应分布为正态分布，则使用最小二乘法进行估计，而 
是使用广义逆矩阵求得的解。若响应分布非正态分布，则 
是岭解。
对于自适应 Lasso，这个加权形式的 l1 罚值用于确定 
系数。
自适应弹性网络使用这个加权形式的 l1 罚值，也应用 l2 罚值的加权形式。自适应弹性网络的 l2 罚值的加权形式为
,
其中，若 MLE 存在，则 
是 MLE。若 MLE 不存在并且响应分布为正态分布，则使用最小二乘法进行估计，而 
是使用广义逆矩阵求得的解。若响应分布非正态分布，则 
是岭解。