Regresi Penalitas MCP
MCP (Minimax Concave Penalty) adalah metode seleksi variabel yang dikembangkan oleh Zhang (2010) yang menggunakan fungsi penalti cekung untuk seleksi fitur otomatis. Seperti SCAD, MCP mengatasi bias pada lasso dengan menghindari penyusutan koefisien besar, tetapi menggunakan bentuk penalti yang berbeda yang lebih sederhana secara komputasi daripada SCAD.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/id/psychometrics/mcp-penalized-regression
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Pemodelan Persamaan Struktural EksploratoriPsikometri↔ bandingkan
- Pemodelan Persamaan Struktural Partial Least SquaresPsikometri↔ bandingkan
- Analisis RedundansiPsikometri↔ bandingkan
- Regresi Terpenalti SCADPsikometri↔ bandingkan
Dirujuk oleh
Similar methods
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →