MCP-penalisoitu regressio
MCP (Minimax Concave Penalty) on Zhangin (2010) kehittämä muuttujien valintamenetelmä, joka käyttää konkaavia rangaistusfunktioita automaattiseen piirteiden valintaan. Kuten SCAD, myös MCP korjaa lasson harhaa välttämällä suurten kerrointen kutistamista, mutta käyttää erilaista rangaistusmuotoa, joka on laskennallisesti yksinkertaisempi kuin SCAD.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/fi/psychometrics/mcp-penalized-regression
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Eksploratiivinen rakennemallinnusPsykometriikka↔ vertaa
- Osittaisella pienimmän neliösumman rakenneyhtälömallinnus (PLS-SEM)Psykometriikka↔ vertaa
- RedundanssianalyysiPsykometriikka↔ vertaa
- SCAD-penalisoitu regressioPsykometriikka↔ vertaa
Tähän viittaavat
Similar methods
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →