布拉索

弹性网回归模型的正态先验弹性网方法是一种正则化的线性回归优化方法,在岭回归和套索之间架起了桥梁。它所产生的估计可以看作是一个贝叶斯后验模型,在弹性网罚函数形式所隐含的先验分布下。本文通过提供一类先验分布的完整特征来扩展贝叶斯连接的范围,这些先验分布生成弹性网络估计作为后验模式。由此产生的基于模型的框架允许一种方法,通过考虑基于完全后验分布的推理,超越了仅使用后验模式的方法。第二部分介绍了这类先验分布的特征:一个适当规范化的直接特征,它被证明是线性回归模型的共轭,以及正态分布的尺度混合的交替表示。正则化参数的先验分布被提出,导致弹性网络回归模型的无限混合,允许自适应的,基于数据的回归系数收缩。利用马尔可夫链蒙特卡罗(MCMC)方法可以很容易地实现后验推理。通过给所有可能的模型分配先验概率,从贝叶斯的角度来解决模型规范的不确定性。给出了相应的计算方法。实现本文中描述的MCMC方法的软件是用C++编写的,带有R包接口,可以在url{http://www.stat.osu.edu/hans/Software/}上找到。


zbMATH中的参考文献(参考12篇文章,第1条标准)

显示第1到第12个结果,共12个。
按年份排序(引用)

  1. Smith,Adam N.;Allenby,Greg M.:随机分区需求模型(2020)
  2. Bhadra,Anindya;Datta,Jyotishka;Polson,Nicholas G.;Willard,Brandon:《套索与马蹄铁:一项调查》(2019年)
  3. Chiquet,Julien;Mary Huard,Tristan;Robin,Stéphane:条件高斯图形模型的结构化正则化(2017)
  4. Bhattacharya,Anirban;Dunson,David B.;Pati,Debdeep;Pillai,Natesh S.:一些连续收缩先验的次优性(2016)
  5. 维回归(Bayesian,Huang,2016;线性回归)
  6. Bayesian Sandwich算法(Joy Aixin Sandwich,2015年)
  7. 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)
  8. Karagiannis,Georgios;Konomi,Bledar A.;Lin,Guang:用于gPC展开的空间随机基选择和评估的贝叶斯混合收缩先验过程:对椭圆SPDEs的应用(2015)
  9. Liu,Fei;Chakraborty,Sounak;Li,Fan;Liu,Yan;Lozano,Aurelie C.:通过图Laplacian的贝叶斯正则化(2014)
  10. Pati,Debdeep;Bhattacharya,Anirban;Pillai,Natesh S.;Dunson,David:大规模协方差矩阵稀疏贝叶斯因子模型的后验收缩(2014)
  11. Thomas,A.C.;Ventura,Samuel L.;Jensen,Shane T.;Ma,Stephen:冰球运动员评分的竞争过程风险函数模型(2013)
  12. Hans,Chris:基于orthant正态先验的弹性网络回归模型(2011)