MCP penalizirana regresija
MCP (Minimax Concave Penalty) je metoda odabira varijabli koju je razvio Zhang (2010.) i koja koristi konkavnu kaznenu funkciju za automatski odabir značajki. Poput SCAD-a, MCP rješava pristranost u LASSO-u izbjegavajući skupljanje velikih koeficijenata, ali koristi drugačiji oblik kazne koji je računski jednostavniji od SCAD-a.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Karta metoda
Okruženje srodnih metoda — odaberite čvor za istraživanje.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/hr/psychometrics/mcp-penalized-regression
Koja metoda?
Postavite ovu metodu uz njoj najsrodnije i pročitajte ih jednu uz drugu — knjižnica vam knjige stavlja na stol; izbor je na vama.
- Istraživačko modeliranje strukturalnih jednadžbiPsihometrija↔ usporedi
- Modeliranje strukturnih jednadžbi metodom parcijalnih najmanjih kvadrataPsihometrija↔ usporedi
- Analiza redundantnostiPsihometrija↔ usporedi
- Regresija s SCAD penalizacijomPsihometrija↔ usporedi
Citirana u
Similar methods
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →