رگرسیون جریمهای MCP
MCP (جریمه مقعر کمینه-بیشینه) روشی برای انتخاب متغیر است که توسط ژانگ (۲۰۱۰) توسعه یافته و از یک تابع جریمه مقعر برای انتخاب خودکار ویژگی استفاده میکند. مانند SCAD، MCP به سوگیری در لسو با اجتناب از کوچکسازی ضرایب بزرگ میپردازد، اما از شکل جریمهای متفاوتی استفاده میکند که از نظر محاسباتی سادهتر از SCAD است.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/fa/psychometrics/mcp-penalized-regression
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- مدلسازی معادلات ساختاری اکتشافیروانسنجی↔ مقایسه
- مدلسازی معادلات ساختاری حداقل مربعات جزئیروانسنجی↔ مقایسه
- تحلیل افزونگیروانسنجی↔ مقایسه
- رگرسیون مقیدشده SCADروانسنجی↔ مقایسه
ارجاعشده در
Similar methods
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →