MCP Penalized Regression
MCP (Minimax Concave Penalty) er en metode for variabelseleksjon utviklet av Zhang (2010) som bruker en konkav straffefunksjon for automatisert utvelgelse av variabler. I likhet med SCAD, adresserer MCP skjevhet i lasso ved å unngå krymping av store koeffisienter, men bruker en annen straffeform som er beregningsmessig enklere enn SCAD.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/no/psychometrics/mcp-penalized-regression
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- Exploratory Structural Equation ModelingPsykometri↔ sammenlign
- Partiell minste kvadraters strukturell ligningsmodelleringPsykometri↔ sammenlign
- RedundansanalysePsykometri↔ sammenlign
- SCAD-penalisert regresjonPsykometri↔ sammenlign
Referert av
Similar methods
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →