MCP penalizált regresszió
Az MCP (Minimax Concave Penalty, minimaxzárójelű konkáv büntetés) egy változóválasztási módszer, amelyet Zhang (2010) fejlesztett ki, és automatikus jellemzők kiválasztására konkáv büntetőfüggvényt használ. A SCAD-hoz hasonlóan az MCP is kezeli a lasso torzítását azáltal, hogy elkerüli a nagy együtthatók zsugorítását, de eltérő büntetési alakot használ, amely számításilag egyszerűbb, mint a SCAD.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/hu/psychometrics/mcp-penalized-regression
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Exploratory Structural Equation ModelingPszichometria↔ összehasonlítás
- Részleges Legkisebb Négyzetek Strukturális Egyenlet ModellezésPszichometria↔ összehasonlítás
- Redundancy AnalysisPszichometria↔ összehasonlítás
- SCAD-szabályozott regresszióPszichometria↔ összehasonlítás
Hivatkozik rá
Similar methods
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →