Regrese s penalizací MCP
MCP (Minimax Concave Penalty) je metoda výběru proměnných vyvinutá Zhangem (2010), která využívá konkávní penalizační funkci pro automatický výběr příznaků. Podobně jako SCAD, i MCP řeší zkreslení v metodě lasso tím, že se vyhýbá smršťování velkých koeficientů, ale používá jiný tvar penalizace, který je výpočetně jednodušší než SCAD.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/cs/psychometrics/mcp-penalized-regression
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Exploratorní strukturální modelování rovnicPsychometrika↔ porovnat
- Parciální metoda nejmenších čtverců v modelování pomocí strukturálních rovnicPsychometrika↔ porovnat
- Redundanční analýzaPsychometrika↔ porovnat
- Penalizovaná regrese SCADPsychometrika↔ porovnat
Odkazuje sem
Similar methods
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →