Regressione Penalizzata MCP
MCP (Minimax Concave Penalty) è un metodo di selezione delle variabili sviluppato da Zhang (2010) che utilizza una funzione di penalità concava per la selezione automatica delle feature. Come SCAD, MCP affronta il bias in lasso evitando la contrazione dei coefficienti grandi, ma utilizza una forma di penalità diversa che è computazionalmente più semplice di SCAD.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/it/psychometrics/mcp-penalized-regression
Quale metodo?
Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.
- Modellazione Esplorativa delle Equazioni StrutturaliPsicometria↔ confronta
- Modellizzazione di equazioni strutturali con minimi quadrati parzialiPsicometria↔ confronta
- Analisi di RidondanzaPsicometria↔ confronta
- Regression Penalizzata SCADPsicometria↔ confronta
Citato da
Similar methods
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →