奥斯卡

同时回归收缩,变量选择和监督聚类预测与奥斯卡。变量选择是一个挑战,尤其是在有大量可能具有高度相关性的预测因素的情况下,例如基因表达数据。本文提出了一种新的方法OSCAR(octangonalres缩和聚类回归算法),在将变量分组为预测聚类时同时选择变量。除了提高预测精度和解释能力外,还可以进一步调查这些结果群体,以发现是什么促成了群体具有类似的行为。该技术是基于惩罚最小二乘法和一个几何直观的惩罚函数,收缩一些系数精确到零。此外,这种惩罚产生一些系数的精确相等,鼓励对响应有类似影响的相关预测因子形成由单个系数表示的预测簇。与现有的收缩和变量选择技术相比,该方法在预测误差和模型复杂度方面都优于现有的方法,同时也获得了额外的分组信息。


zbMATH中的参考文献(引用于,1标准件)

显示第1到第20个结果,共45个。
按年份排序(引用)
  1. 卡尔德隆,赫尔南;桑蒂巴涅斯,费利佩;席尔瓦,豪尔赫F.;奥尔蒂斯,朱利安M.;埃加尼亚,阿尔瓦罗:基于加权(\ell_1)-正则化的地质相恢复(2020年)
  2. 任,盛;康,艾米丽;卢,詹森L.:MCEN:高维多项式回归的同时变量选择和聚类方法(2020)
  3. Sherwood,Ben;Molstad,Aaron J.;Singha,Sumanta:凹(L_1)-范数群惩罚的渐近性质(2020)
  4. Chakraborty,Sounak;Lozano,Aurelie C.:贝叶斯变量选择和分组的拉普拉斯先验图(2019)
  5. Lederer,Johannes;Yu,Lu;Gaynanova,Irina:高维预测的Oracle不等式(2019)
  6. 刘建宇;于建宇;刘玉峰:基于图的高维稀疏线性判别分析(2019)
  7. 张莹莹;王慧霞朱迪;朱忠义:基于分位数回归的面板数据聚类(2019)
  8. Hui,Francis K.C.;Müller,Samuel;Welsh,A.H.:多元纵向混合模型的稀疏成对似然估计(2018)
  9. 宋安超;马铁峰;吕少高;林长生:减少冗余变量的无模型变量选择方法(2018)
  10. Zhang,Yan;Bondell,Howard D.:基于Dirichlet-Laplace全球局部收缩先验的惩罚可信区域变量选择(2018)
  11. 赵尚伟;乌拉,阿曼;张新宇:一类模型平均估计量(2018)
  12. Alkenani,Ali;Dikheel,Tahir R.:回归中的稳健群体识别和变量选择(2017)
  13. Jeon,Jong-June;Kwon,Sunghoon;Choi,Hosik:高维广义线性模型的均匀性检测(2017)
  14. 柯元;李佳良;张文阳:面板数据分析中的结构识别(2016)
  15. Nguyen,Tu Dinh;Tran,Truyen;Phung,Dinh;Venkatesh,Svetha:用于文档建模的图诱导受限Boltzmann机器(2016)
  16. Su,Weijie;Candès,Emmanuel:斜率对未知稀疏性和渐近极小极大值的适应性(2016)
  17. Bogdan,Małgorzata;van den Berg,Ewout;Sabatti,Chiara;Su,Weijie;Candès,Emmanuel J.:通过凸优化进行斜率自适应变量选择(2015)
  18. Jang,Woncheol;Lim,Johan;Lazar,Nicole A.;Loh,Ji Meng;Yu,Donghyeon:广义融合套索的一些特性及其在高维数据中的应用(2015)
  19. 贝叶斯罗比安(Bayesian Lolapian,2014;Lacyan,Lacyan;Laczan;Lacyan,Laczan;2014)
  20. McKay Curtis,S.;Banerjee,Sayantan;Ghosal,Subhashis:非参数加性回归的快速贝叶斯模型评估(2014)