Какой алгоритм регрессии выбрать для шумных (разбросанных) данных?

Для шумных (разбросанных) данных можно рассмотреть следующие алгоритмы регрессии:

• Консенсус случайной выборки (RANSAC). yandex.ru Это итерационный метод оценки параметров математической модели по набору данных, который содержит выбросы. yandex.ru Основное предположение — данные состоят из «выбросов», то есть тех, распределение которых может быть объяснено некоторым набором параметров модели, хотя и может подвергаться шуму, и «выбросов», которые представляют собой данные, не соответствующие модели. yandex.ru
• Ридж-регрессия. nuancesprog.ru В этом методе используется регуляризация, которая помогает модели обращать внимание лишь на те признаки, которые действительно имеют значение, и избавляться от шумов. nuancesprog.ru
• Регрессия лассо (L1-регуляризация). nuancesprog.ru Вместо того чтобы начислять штрафы за каждый признак в данных, штрафы начисляются лишь за признаки с большим значением коэффициентов. nuancesprog.ru К тому же лассо может обнулять значения коэффициентов, тем самым полностью убирая признак из датасета. nuancesprog.ru

Выбор алгоритма зависит от конкретной задачи и условий.