أجرى باحثان من Instacart دراسة واسعة النطاق تشمل 134,400 محاكاة مستندة إلى نماذج تعلم آلي إنتاجية حقيقية لتحديد أفضل مقياس للتنظيم (Regularizer) المستخدم في نماذج الخطية. كشفت النتائج أن اختيار المقياس المناسب يعتمد بشكل أساسي على الهدف من التحليل (الدقة التنبؤية، اختيار المتغيرات، أو تقدير المعاملات) وعلى حالة البيانات القابلة للحساب قبل بدء التدريب، مثل حجم العينة والارتباط بين المتغيرات. أظهرت الدراسة أنه من أجل الدقة التنبؤية فقط، يعتبر مقياس Ridge الخيار الأمثل والأسرع. فالاختلافات في دقة التنبؤ بين Ridge و Lasso و ElasticNet تكاد تكون معدومة، حيث يتفاوت الفرق في الخطأ بنسبة لا تتجاوز 0.3%. ومع ذلك، فإن Ridge يتفوق من حيث السرعة، حيث يستغرق وقتًا أقل بخمس مرات مقارنة بـ ElasticNet. لذلك، يُنصح بالاعتماد على RidgeCV في الغالبية العظمى من الحالات ما لم يكن الهدف هو اختيار المتغيرات أو تقدير المعاملات بدقة عالية. عندما يكون الهدف هو اختيار المتغيرات (Variable Selection) لتحديد أي الميزات تساهم فعليًا في النموذج، يصبح اختيار المقياس أكثر حسمًا. في حالات وجود ارتباط عالٍ بين المتغيرات (High Multicollinearity)، وهي سمة شائعة في البيانات الإنتاجية، يفشل مقياس Lasso في الحفاظ على أداء عالٍ ويؤدي إلى فقدان معلومات مهمة. في هذه الحالة، يُعد ElasticNet الخيار الآمن والأكثر موثوقية لأنه يحافظ على مجموعات المتغيرات المترابطة معًا. كما أن Ridge قد يحقق أرقامًا عالية في الدقة من خلال الاحتفاظ بجميع المتغيرات، لكنه لا يوفر نموذجًا متناثرًا كما هو مطلوب في عمليات اختيار المتغيرات الحقيقية. لذا، يُوصى بـ ElasticNetCV كافتراض أساسي إلا في حالات نادرة جدًا حيث تكون البيانات خالية من الارتباط ولديها إشارة قوية. فيما يتعلق بتقدير قيم المعاملات بدقة لأغراض تفسيرية أو استدلالية، يلعب رقم الشرط (Condition Number) دورًا محوريًا. في البيئات ذات الارتباط العالي، يتفوق ElasticNet بوضوح في تقليل الأخطاء مقارنة بالبدائل الأخرى. أما في البيئات المستقرة (Low Multicollinearity)، فيجب أن يعتمد القرار على معرفة سابقة بنوع النموذج (متناثر أم لا). وتُظهر الدراسة بوضوح أن استخدام OLS بعد اختيار المتغيرات (Post-Lasso OLS) يؤدي إلى أخطاء أعلى ولا ينصح به مطلقًا. تُقدم الدراسة إطار عمل عمليًا لقرار مقياس التنظيم بناءً على ثلاثة مقاييس قابلة للحساب مسبقًا: نسبة حجم العينة إلى عدد الميزات (n/p)، ورقم الشرط (κ)، وقيمة معامل التنظيم (α) المختارة من Lasso كدليل تقريبي على نسبة الإشارة إلى الضوضاء. إذا كانت نسبة العينة إلى الميزات كبيرة (أكبر من 78)، فإن جميع الطرق تعمل بشكل متقارب وينصح بـ Ridge لكونه الأسرع. أما عندما تكون النسبة صغيرة، فيجب الاعتماد على رقم الشرط: فمع الارتباط العالي يُستخدم ElasticNet، ومع الارتباط المنخفض يُفضل ElasticNet أيضًا ما لم تكن هناك مؤشرات قوية على نذاعة النموذج. الخلاصة الأهم للدراسة هي أن زيادة حجم العينة تؤثر بشكل أكبر على أداء النموذج من أي تغيير في مقياس التنظيم. في الواقع، عندما تكون نسبة العينة إلى الميزات مرتفعة، يصبح اختيار مقياس التنظيم غير ذي أهمية. لذلك، يجب على علماء البيانات توجيه جهودهم نحو جمع المزيد من البيانات بدلاً من قضاء وقت طويل في ضبط معاملات التنظيم. في حالات الشك أو عدم اليقين، يظل ElasticNet هو الخيار الأكثر أمانًا والأقل احتمالًا للفشل.