Regresja z karą MCP
MCP (Minimax Concave Penalty) to metoda selekcji zmiennych opracowana przez Zhanga (2010), która wykorzystuje wklęsłą funkcję kary do automatycznego wyboru cech. Podobnie jak SCAD, MCP rozwiązuje problem obciążenia w metodzie lasso, unikając kurczenia dużych współczynników, ale wykorzystuje inną postać kary, która jest obliczeniowo prostsza niż SCAD.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/pl/psychometrics/mcp-penalized-regression
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Eksploratoryjne modelowanie równań strukturalnychPsychometria↔ porównaj
- Modelowanie równań strukturalnych metodą najmniejszych kwadratów częściowychPsychometria↔ porównaj
- Analiza redundancjiPsychometria↔ porównaj
- Regresja z penalizacją SCADPsychometria↔ porównaj
Cytowana przez
Similar methods
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →