Latent structureVariable Selection
MCP Penalized Regression
MCP（Minimax Concave Penalty）は、Zhang (2010) によって開発された変数選択手法であり、自動的な特徴量選択のために凹関数ペナルティを使用します。SCADと同様に、MCPは大きな係数の縮小を避けることでlassoのバイアスに対処しますが、SCADよりも計算上単純な異なるペナルティ形状を使用します。
MethodMindで開く近日公開Apply, compare, get guidance
Tools & resources
Learn & explore
動画近日公開
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/ja/psychometrics/mcp-penalized-regression
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
- 探索的構造方程式モデリング (Exploratory Structural Equation Modeling)心理測定学↔ 比較
- 偏最小二乗構造方程式モデリング心理測定学↔ 比較
- 冗長性分析心理測定学↔ 比較
- SCADペナルティ付き回帰心理測定学↔ 比較