我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
在1991年至2015年期间,混合整数优化(MIO)算法的进步,加上硬件的改进,使得解决MIO问题的速度惊人地提高了4500亿倍。我们提出了一种MIO方法,用于解决在给定$n$个观测值的线性回归中从$p$个特征中选择$k$个特征的经典最佳子集选择问题。我们开发了现代一阶连续优化方法的离散扩展,以找到高质量的可行解,并将其用作MIO求解器的温热启动,从而找到可证明的最优解。所得算法(a)提供了一个保证其次优性的解,即使我们提前终止了算法,(b)可以适应线性回归系数的边约束,(c)扩展到寻找最小绝对偏差损失函数的最佳子集解。使用各种合成和实际数据集,我们证明了我们的方法在几分钟内解决了1000年代$n$和100年代$p$的问题,从而证明了最佳性,并发现近的100年代的$n$和1000年代的$p$的最佳解决方案只需几分钟。我们还通过数值实验证明,在获得具有良好预测能力的稀疏解方面,MIO方法的性能优于Lasso和其他常用的稀疏学习程序。
迪米特里斯·贝尔齐马斯。 安吉拉·金。 拉胡尔·马祖姆德(Rahul Mazumder)。 “通过现代优化镜头选择最佳子集。” 安。统计师。 44 (2) 813 - 852, 2016年4月。 https://doi.org/10.1214/15-AOS1388