Штрафна регресія MCP
MCP (Minimax Concave Penalty) — це метод відбору змінних, розроблений Чжаном (Zhang, 2010), який використовує увігнуту штрафну функцію для автоматичного відбору ознак. Подібно до SCAD, MCP усуває зміщення в LASSO, уникаючи стиснення великих коефіцієнтів, але використовує іншу форму штрафу, яка є обчислювально простішою, ніж SCAD.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/uk/psychometrics/mcp-penalized-regression
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Вибухове моделювання структурними рівняннямиПсихометрія↔ порівняти
- Моделювання структурними рівняннями методом часткових найменших квадратівПсихометрія↔ порівняти
- Редюнданс-аналізПсихометрія↔ порівняти
- Регресія зі штрафом SCADПсихометрія↔ порівняти
Згадується в
Similar methods
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →