Latent structureVariable Selection
MCP רגרסיה עם עונש (MCP Penalized Regression)
MCP (Minimax Concave Penalty) היא שיטת בחירת משתנים שפותחה על ידי Zhang (2010) המשתמשת בפונקציית עונש קעורה לבחירת מאפיינים אוטומטית. בדומה ל-SCAD, MCP מתמודדת עם הטיה ב-lasso על ידי הימנעות מכיווץ מקדמים גדולים, אך משתמשת בצורת עונש שונה שהיא פשוטה יותר מבחינה חישובית מ-SCAD.
פתיחה ב-MethodMindבקרובApply, compare, get guidance
Tools & resources
Learn & explore
וידאובקרוב
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
מפת שיטות
סביבת השיטות הקרובות — בחרו צומת כדי לחקור.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/he/psychometrics/mcp-penalized-regression
איזו שיטה?
הציבו שיטה זו לצד קרובותיה הקרובות וקראו אותן זו לצד זו — הספרייה מניחה את הספרים על השולחן; הבחירה בידיכם.
- מודל מבנה גורמים חקרניפסיכומטריה↔ השוואה
- מודל משוואות מבניות של ריבועים פחותים חלקייםפסיכומטריה↔ השוואה
- ניתוח יתירותפסיכומטריה↔ השוואה
- רגרסיה עם עונש SCADפסיכומטריה↔ השוואה