MCP Penalized Regression
MCP (Minimax Concave Penalty) is een methode voor variabele selectie, ontwikkeld door Zhang (2010), die een concave straffunctie gebruikt voor geautomatiseerde kenmerkselectie. Net als SCAD pakt MCP de bias in lasso aan door het krimpen van grote coëfficiënten te vermijden, maar gebruikt een andere strafvorm die computationeel eenvoudiger is dan SCAD.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/nl/psychometrics/mcp-penalized-regression
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Exploratory Structural Equation ModelingPsychometrie↔ vergelijken
- Partial Least Squares Structurele VergelijkingsmodelingPsychometrie↔ vergelijken
- RedundantieanalysePsychometrie↔ vergelijken
- SCAD Geregressie met StrafPsychometrie↔ vergelijken
Geciteerd door
Similar methods
Een fout op deze pagina gezien? Meld het of stel een correctie voor →