MCP regresija sa penalizacijom
MCP (Minimax Concave Penalty) je metoda selekcije varijabli koju je razvio Zhang (2010) i koja koristi konkavnu kaznenu funkciju za automatsku selekciju atributa. Poput SCAD-a, MCP rešava pristrasnost u LASSO-u izbegavanjem skupljanja velikih koeficijenata, ali koristi drugačiji oblik kazne koji je računski jednostavniji od SCAD-a.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Mapa metoda
Okruženje srodnih metoda — izaberite čvor da biste istraživali.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/sr/psychometrics/mcp-penalized-regression
Koja metoda?
Postavite ovu metodu pored njoj najbližih srodnika i čitajte ih uporedo — biblioteka polaže knjige na sto; izbor je na vama.
- Експлоративно моделованје структуралних једначинаPsihometrija↔ uporedi
- Modeliranje jednačina strukturalnih delimičnih najmanjih kvadrataPsihometrija↔ uporedi
- Analiza redundantnostiPsihometrija↔ uporedi
- SCAD penalizovana regresijaPsihometrija↔ uporedi
Citirana u
Similar methods
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →