Latent structureVariable Selection
MCP 페널티 회귀
MCP(Minimax Concave Penalty)는 2010년 Zhang이 개발한 변수 선택 방법으로, 자동 특징 선택을 위해 오목한 페널티 함수를 사용합니다. SCAD와 마찬가지로 MCP는 큰 계수의 축소를 피함으로써 라쏘의 편향을 해결하지만, SCAD보다 계산적으로 더 간단한 다른 페널티 형태를 사용합니다.
MethodMind에서 열기곧 제공Apply, compare, get guidance
Tools & resources
Learn & explore
동영상곧 제공
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/ko/psychometrics/mcp-penalized-regression
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- 탐색적 구조 방정식 모형심리측정학↔ 비교
- 부분 최소 제곱 구조 방정식 모형심리측정학↔ 비교
- 잉여 분석심리측정학↔ 비교
- SCAD 페널티 회귀심리측정학↔ 비교