Latent structureVariable Selection

Regresi Terpenalti MCP

MCP (Minimax Concave Penalty) ialah kaedah pemilihan pemboleh ubah yang dibangunkan oleh Zhang (2010) yang menggunakan fungsi penalti cekung untuk pemilihan ciri automatik. Seperti SCAD, MCP menangani bias dalam lasso dengan mengelakkan pengecilan pekali yang besar, tetapi menggunakan bentuk penalti yang berbeza yang lebih mudah dikira berbanding SCAD.

Buka dalam MethodMindTidak lama lagiApply, compare, get guidance

Tools & resources

Muat turun slaid

Learn & explore

VideoTidak lama lagi

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Peta kaedah

Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.

Regresi Terpenalti MCP

Pemodelan Persamaan Stru…Pemodelan Persamaan Stru…Analisis Kerelatifan Regresi Terpenaliti SCAD

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 memetik halaman ini

ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/ms/psychometrics/mcp-penalized-regression

Kaedah yang mana?

Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.