Regresia s penalizáciou MCP
MCP (Minimax Concave Penalty) je metóda výberu premenných vyvinutá Zhangom (2010), ktorá využíva konkávnu penalizačnú funkciu na automatizovaný výber príznakov. Podobne ako SCAD, aj MCP rieši skreslenie (bias) v lasse tým, že zabraňuje zmrašťovaniu (shrinkage) veľkých koeficientov, ale používa odlišný tvar penalizácie, ktorý je výpočtovo jednoduchší ako SCAD.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Mapa metód
Okolie príbuzných metód — vyberte uzol na preskúmanie.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/sk/psychometrics/mcp-penalized-regression
Ktorá metóda?
Postavte túto metódu vedľa jej najbližších príbuzných a čítajte ich vedľa seba — knižnica vám knihy položí na stôl; voľba je na vás.
- Explorativné modelovanie štrukturálnych rovnícPsychometria↔ porovnať
- Partial Least Squares Structural Equation ModelingPsychometria↔ porovnať
- Analýza redundanciePsychometria↔ porovnať
- Regresia s penalizáciou SCADPsychometria↔ porovnať
Odkazujú sem
Similar methods
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →