MCP-karistusregressioon
MCP (Minimax Concave Penalty) on meetod muutujate valikuks, mille töötas välja Zhang (2010). See kasutab automaatseks tunnuste valikuks nõgusat karistusfunktsiooni. Sarnaselt SCAD-ile lahendab MCP lasso probleemi koefitsientide nihke (bias) osas, vältides suurte koefitsientide kokkutõmbamist, kuid kasutab erinevat karistuskuju, mis on arvutuslikult lihtsam kui SCAD.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/et/psychometrics/mcp-penalized-regression
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Exploratory Structural Equation ModelingPsühhomeetria↔ võrdle
- Osakvähimiste vähimruutude struktuurvõrrandmodelleeriminePsühhomeetria↔ võrdle
- RedundantsusanalüüsPsühhomeetria↔ võrdle
- SCAD-penaliseeritud regressioonPsühhomeetria↔ võrdle
Sellele viitavad
Similar methods
Märkasid sellel lehel viga? Teata sellest või paku parandust →