Regressió amb penalització MCP
MCP (Minimax Concave Penalty) és un mètode de selecció de variables desenvolupat per Zhang (2010) que utilitza una funció de penalització còncava per a la selecció automatitzada de característiques. Com SCAD, MCP aborda el biaix en lasso evitant la contracció de coeficients grans, però utilitza una forma de penalització diferent que és computacionalment més senzilla que SCAD.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Mapa de mètodes
El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/ca/psychometrics/mcp-penalized-regression
Quin mètode?
Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.
- Modelització Exploratòria d'Equacions EstructuralsPsicometria↔ compara
- Modelització d'equacions estructurals per a mínims quadrats parcialsPsicometria↔ compara
- Anàlisi de RedundànciaPsicometria↔ compara
- Regressió amb penalització SCADPsicometria↔ compara
Citat per
Similar methods
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →