Регресия с наказание MCP
MCP (Minimax Concave Penalty) е метод за избор на променливи, разработен от Zhang (2010), който използва вдлъбната наказателна функция за автоматизиран избор на признаци. Подобно на SCAD, MCP адресира отклонението при Lasso, като избягва свиването на големи коефициенти, но използва различна форма на наказание, която е изчислително по-проста от SCAD.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Zhang, C. H. (2010). Nearly unbiased variable selection under minimax concave penalty. Annals of Statistics, 38(2), 894-942. DOI: 10.1214/09-AOS729 ↗
- Breheny, P., & Huang, J. (2011). Coordinate descent algorithms for nonconvex penalized regression. Annals of Applied Statistics, 5(1), 232-253. link ↗
- Zhang, C. H., & Zhang, T. (2012). A general theory of concave regularized M-estimators. Statistical Science, 27(4), 506-537. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/bg/psychometrics/mcp-penalized-regression
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Изследователско моделиране на структурни уравненияПсихометрия↔ сравняване
- Частично най-малки квадрати - Моделиране на структурни уравненияПсихометрия↔ сравняване
- Редундантен анализПсихометрия↔ сравняване
- SCAD регуляризация с наказателна функцияПсихометрия↔ сравняване
Цитиран в
Similar methods
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →