摘要
高质量的logistic回归模型包含各种期望的特性:预测能力、可解释性、显著性、对数据错误的鲁棒性和稀疏性等。为了实现这些相互竞争的目标,建模者在磨合最终模型时会迭代地合并这些属性。在1991年至2015年期间,混合整数线性优化(MILO)算法的进步,加上硬件的改进,使得MILO问题的求解速度惊人地提高了4500亿因子。基于这种加速,我们提出用混合整数非线性优化(MINLO)方法对逻辑回归问题进行算法建模,以便以联合而非顺序的方式明确地合并这些属性。生成的MINLO是灵活的,可以根据建模者的需要进行调整。通过使用真实数据和合成数据,我们证明了总体方法普遍适用,并在现实的时间范围内提供了高质量的解决方案,同时保证了次优性。当MINLO不可行时,我们得到了一个保证,即强加不同的统计特性根本不可行。
引用
下载引文
迪米特里斯·贝尔齐马斯。
安吉拉·金。
“逻辑回归:从艺术到科学。”
统计师。科学。
32
(3)
367 - 384,
2017年8月。
https://doi.org/10.1214/16-STS602
问询处
发布日期:2017年8月
首次在欧几里得项目中提供:2017年9月1日
数字对象标识符:10.1214/16-STS602
关键词:计算统计学,逻辑回归,混合整数非线性优化
版权所有©2017数学统计研究所