Ενισχυτική Παλινδρόμηση με Ποινή MCP
Η MCP (Minimax Concave Penalty) είναι μια μέθοδος επιλογής μεταβλητών που αναπτύχθηκε από τον Zhang (2010) και χρησιμοποιεί μια κοίλη συνάρτηση ποινής για αυτοματοποιημένη επιλογή χαρακτηριστικών. Όπως η SCAD, η MCP αντιμετωπίζει τη μεροληψία της lasso αποφεύγοντας τη συρρίκνωση μεγάλων συντελεστών, αλλά χρησιμοποιεί ένα διαφορετικό σχήμα ποινής που είναι υπολογιστικά απλούστερο από την SCAD.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Χάρτης μεθόδων
Η γειτονιά των σχετιζόμενων μεθόδων — επιλέξτε έναν κόμβο για εξερεύνηση.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/el/psychometrics/mcp-penalized-regression
Ποια μέθοδος;
Τοποθετήστε αυτή τη μέθοδο δίπλα στις πιο συγγενείς της και διαβάστε τις παράλληλα — η βιβλιοθήκη απλώνει τα βιβλία στο τραπέζι· η επιλογή είναι δική σας.
- Διερευνητική Μοντελοποίηση Δομικών ΕξισώσεωνΨυχομετρία↔ σύγκριση
- Μερική Ελαχίστων Τετραγώνων Μοντελοποίηση Δομικών ΕξισώσεωνΨυχομετρία↔ σύγκριση
- Ανάλυση ΠλεονασμούΨυχομετρία↔ σύγκριση
- Παλινδρόμηση με ποινή SCADΨυχομετρία↔ σύγκριση
Αναφέρεται από
Similar methods
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →