HGAM

R封装HGAM:高维添加剂模型。针对高维广义可加模型,提出了一种新的稀疏光滑性惩罚方法。稀疏性和光滑性的结合对于数学理论和有限样本数据的性能是至关重要的。我们提出了一个计算有效的算法,具有可证明的数值收敛特性,优化惩罚似然。此外,我们还提供了Oracle结果,得到了高维稀疏加性模型估计量的渐近最优性。最后,我们的稀疏平滑惩罚方法的自适应版本产生较大的附加性能增益。


ZBMaX中的参考文献(73篇)1标准条款

显示结果1至20的73。
按年份排序(引文
  1. 冯,杨;吴,Yichao;斯蒂芬斯基,Leonard A.:通过有利于平滑带宽的非参数独立筛选(2018)
  2. He,Yong;张,新生;张,Liwen:高维高斯Copula回归模型的变量选择:自适应假设检验过程(2018)
  3. 黄、陶、李、贾亮:面板数据分析中的半参数模型平均预测(2018)
  4. 吕,Shaogao;林,Huazhen;廉,Heng;黄,健:再生核希尔伯特空间中稀疏加性分位数回归的Oracle不等式(2018)
  5. 太地、铃木:非稀疏多核学习和最优正则化策略的快速学习率(2018)
  6. 休伊特,西尔维;Taupin,Marie Luce:灵敏度分析元模型的构建(2017)
  7. 吕,Shaogao;何昕;王,Junhui:稀疏加性分位数模型的统一惩罚方法:RKHS方法(2017)
  8. 瑞茜,蒂莫西;Mojirsheibani,MaigID:不完全数据核回归估计的(LYP)范数及其在分类中的应用(2017)
  9. SCONNET,Erwan:随机森林中的参数调谐(2017)
  10. Amato,Undoto;安东尼迪斯,安蒂斯;德费斯,Italia:加法模型选择(2016)
  11. Biau,G·雷德;菲舍尔,奥雷利;Guedj,本杰明;Malley,James D.:眼镜蛇:组合回归策略(2016)
  12. Christmann,安德烈亚斯;周,丁轩:加性模型中基于核的分位数回归估计风险的学习率(2016)
  13. Ginsbourger,戴维;RouSTANT,奥利维尔;Durrande,尼古拉斯:随机域路径的退化和不变性及其在高斯过程建模中的应用(2016)
  14. Goia,阿尔多(ED);Vieu,菲利普(ED):高/无限维统计的最新进展介绍(2016)
  15. Kwemou,马吕斯:高维Logistic模型中LasSo和群Laso的非渐近Oracle不等式(2016)
  16. Sah,Rajen D.:用回溯方法模拟高维数据中的交互(2016)
  17. 夏,萧超;刘,智;杨,胡:协方差发散数最小绝对相对误差模型的正则化估计(2016)
  18. 张,Yichi;斯塔库,Ana Maria;Maiste,Arnab:非参数回归可加性检验(2016)
  19. 范英莺;杰姆斯、Gareth M.、Radchenko、彼得:泛函相加回归(2015)
  20. 胡,Yuao;赵,开封;廉,Heng:部分线性加性模型的贝叶斯分位数回归(2015)