MCP-straffet regression
MCP (Minimax Concave Penalty) er en variabelselektionsmetode udviklet af Zhang (2010), der anvender en konkav straffefunktion til automatisk valg af features. Ligesom SCAD adresserer MCP bias i lasso ved at undgå indskrænkning af store koefficienter, men bruger en anden straffeform, der er beregningsmæssigt enklere end SCAD.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/da/psychometrics/mcp-penalized-regression
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Exploratorisk Strukturel LigningsmodelleringPsykometri↔ sammenlign
- Partial Least Squares Structural Equation ModelingPsykometri↔ sammenlign
- RedundansanalysePsykometri↔ sammenlign
- SCAD-reguleret regressionPsykometri↔ sammenlign
Refereret af
Similar methods
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →