Latent structureVariable Selection
MCP Penalized Regression
MCP (Minimax Concave Penalty) เป็นวิธีการเลือกตัวแปรที่พัฒนาโดย Zhang (2010) ซึ่งใช้ฟังก์ชันการลงโทษแบบเว้า (concave penalty function) สำหรับการเลือกคุณลักษณะอัตโนมัติ เช่นเดียวกับ SCAD, MCP จัดการกับความเอนเอียง (bias) ใน lasso โดยหลีกเลี่ยงการหดตัวของสัมประสิทธิ์ที่มีค่ามาก (large coefficients) แต่ใช้รูปร่างการลงโทษที่แตกต่างกันซึ่งง่ายต่อการคำนวณมากกว่า SCAD.
เปิดใน MethodMindเร็ว ๆ นี้Apply, compare, get guidance
Tools & resources
Learn & explore
วิดีโอเร็ว ๆ นี้
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/th/psychometrics/mcp-penalized-regression
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การสร้างสมการโครงสร้างเชิงสำรวจการวัดทางจิตวิทยา↔ เปรียบเทียบ
- การสร้างสมการโครงสร้างกำลังสองน้อยที่สุดกำลังสองบางส่วนการวัดทางจิตวิทยา↔ เปรียบเทียบ
- การวิเคราะห์ความซ้ำซ้อนการวัดทางจิตวิทยา↔ เปรียบเทียบ
- การถดถอยแบบลงโทษด้วย SCADการวัดทางจิตวิทยา↔ เปรียบเทียบ