mboost公司

R包mboost:基于模型的Boosting。函数梯度下降算法(boosting)用于优化一般风险函数,使用组件式(惩罚)最小二乘估计或回归树作为基本学习者,将广义线性、加性和交互模型拟合到潜在的高维数据。


zbMATH参考文献(参考 60篇文章 参考,2标准条款)

显示第1到第20个结果,共60个。
按年份排序(引用)
  1. Engebretsen,Solveig;Glad,Ingrid K.:高维和低维的加性单调回归(2019)
  2. Vicendese,D.;Te Marvelde,L.;McNair,P.D.;Whitfield,K.;English,D.R.;Ben Taieb,S.;Hyndman,R.J.;Thomas,R.:用结直肠癌治疗研究(2019年)中展示的深度数据分析方法预测整个分布
  3. Thomas Welchowski;Schmid,Matthias:稀疏核深层叠加网络(2019)
  4. Bender,Andreas;Groll,Andreas;Scheipl,Fabian:时间到事件分析的广义加性模型方法(2018)
  5. Emily Morris,Kevin He,Li Yanming Li,Yi Li,Jian Kang:SurvBoost:基于梯度提升的分层比例风险模型中高维变量选择的R包(2018)阿尔十四
  6. Andreas Mayr;本杰明·霍夫纳:统计建模的推进——非技术性介绍(2018)
  7. Schauberger,Gunther;Groll,Andreas:用随机森林预测国际足球锦标赛的比赛(2018)
  8. Seibold,Heidi;Bernau,Christoph;Boulesteix,Anne Laure;De Bin,Riccardo:关于高维线性Cox模型提升步数的选择和影响(2018)
  9. Thomas,Janek;Mayr,Andreas;Bischl,Bernd;Schmid,Matthias;Smith,Adam;Hofner,Benjamin:分布回归的梯度提升:通过非周期更新加快调整和改进变量选择(2018)
  10. 伊丽莎白·瓦尔德曼:《分位数回归:如何和为什么》短篇小说(2018)
  11. Bommert,Andrea;Rahnenführer,Jörg;Lang,Michel:为高维数据寻找具有稳定特征选择的预测和稀疏模型的多准则方法(2017)
  12. Brockhaus,Sarah;Melcher,Michael;Leisch,Friedrich;Greven,Sonja:促进具有大量功能历史效应的灵活函数回归模型(2017年)
  13. Friedrichs,Stefanie;Manitz,Juliane;Burger,Patricia;Amos,Christopher I.;Risch,Angela;Chang Claude,Jenny;Wichmann,Heinz-Erich;Kneib,Thomas;Bickeböller,Heike;Hofner,Benjamin:全基因组关联研究分析的基于路径的内核提升(2017)
  14. 函数回归模型(Gresona,2017;通用回归模型)
  15. Kraus,Daniel;Czado,Claudia:基于D-vine copula的分位数回归(2017)
  16. Andreas Mayr;Benjamin Hofner;Elisabeth Waldmann;Hepp,Tobias;Meyer,Sebastian;Gefeller,Olaf:生物医学统计促进的最新进展(2017)
  17. Pande,Amol;Li,Liang;Rajeswaran,Jeevanantham;Ehrlinger,John;Kogalur,Udaya B.;Blackstone,Eugene H.;Ishwaran,Hemant:纵向数据的增强多元树(2017)
  18. Pierre AndréCornillon和Nicolas Hengartner和Eric Matzner-Løber:R中的迭代偏差减少多元平滑:ibr包(2017)不是zbMATH
  19. Reto Bürgin;Gilbert Ritshard:基于系数的变异系数回归(vcrpart)(2017)不是zbMATH
  20. Ternès,Nils;Rotolo,Federico;Heinze,Georg;Michiels,Stefan:在具有生存结果和高维空间的随机临床试验中通过治疗相互作用识别生物标志物(2017年)