เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| MCP Penalized Regression× | การถดถอยแบบลงโทษด้วย SCAD× | |
|---|---|---|
| สาขาวิชา | การวัดทางจิตวิทยา | การวัดทางจิตวิทยา |
| ตระกูล | Latent structure | Latent structure |
| ปีกำเนิด≠ | 2010 | 2001 |
| ผู้ริเริ่ม≠ | Cun-Hui Zhang | Jianqing Fan, Runze Li |
| ประเภท≠ | Penalized regression with minimax concave penalty | Penalized regression with non-concave penalty |
| แหล่งต้นตำรับ≠ | Zhang, C. H. (2010). Nearly unbiased variable selection under minimax concave penalty. Annals of Statistics, 38(2), 894-942. DOI ↗ | Fan, J., & Li, R. (2001). Variable selection via nonconcave penalized likelihood and its oracle properties. Journal of the American Statistical Association, 96(456), 1348-1360. DOI ↗ |
| ชื่อเรียกอื่น | MCP | SCAD |
| ที่เกี่ยวข้อง≠ | 4 | 5 |
| สรุป≠ | MCP (Minimax Concave Penalty) is a variable selection method developed by Zhang (2010) that uses a concave penalty function for automated feature selection. Like SCAD, MCP addresses bias in lasso by avoiding shrinkage of large coefficients, but uses a different penalty shape that is computationally simpler than SCAD. | SCAD (Smoothly Clipped Absolute Deviation) is a variable selection and regularization method developed by Fan and Li (2001) that addresses limitations of L1 penalization (lasso). SCAD uses a non-concave penalty that automatically performs variable selection while maintaining oracle properties: it recovers the true underlying model as if the true predictors were known in advance. |
| ScholarGateชุดข้อมูล ↗ |
|
|