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中的参考文献(参考文献63条,2标准条款)

显示第1到第20个结果,共63个。
按年份排序(引用)
  1. Jakob A.Dambon,Fabio Sigrist,Reinhard Furrer:varycoef:基于高斯过程的空间变系数模型的R包(2021)阿尔十四
  2. 科洛索瓦,坦尼亚;Berestizhevsky,Samuel:监督机器学习。SAS和R的优化框架与应用(2021)
  3. 优素福,卡西夫;Ng,Serena:用时变参数推进高维预测回归(2021)
  4. 安格布雷森,Solveig;Glad,Ingrid K.:高维和低维的加性单调回归(2019)
  5. 维森德斯,D。;泰马弗德,L。;麦克奈尔,P.D。;惠特菲尔德,K。;英语,D.R。;本泰伊布,S。;亨德曼,R.J。;Thomas,R.:在一项结直肠癌治疗研究(2019年)中使用深度数据分析方法预测整个分布
  6. 威尔乔斯基,托马斯;稀疏内核叠加(2019年:Matthias deep networks)
  7. 本德,安德烈亚斯;格罗尔,安德烈亚斯;Scheipl,Fabian:时间到事件分析的广义加性模型方法(2018)
  8. 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
  9. 梅尔,安德烈亚斯;本杰明·霍夫纳:统计建模的推进——非技术性介绍(2018)
  10. 朔贝格,冈瑟;格罗尔,安德烈亚斯:用随机森林预测国际足球锦标赛的比赛(2018)
  11. 塞博尔德,海蒂;伯瑙,克里斯托夫;布尔斯泰克斯,安妮·劳尔;De Bin,Riccardo:关于高维线性Cox模型提升步数的选择和影响(2018)
  12. 托马斯,珍妮克;梅尔,安德烈亚斯;比什尔,伯纳德;施密德,马提亚斯;史密斯,亚当;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)
  13. 伊丽莎白·瓦尔德曼:《分位数回归:如何和为什么》短篇小说(2018)
  14. 波默特,安德里亚;拉赫内夫勒,约格;Lang,Michel:一种多准则方法,为高维数据寻找具有稳定特征选择的预测和稀疏模型(2017)
  15. 布罗克豪斯,莎拉;麦切尔,迈克尔;利什,弗里德里希;Greven,Sonja:促进具有大量函数历史效应的灵活函数回归模型(2017)
  16. 弗里德里希,斯蒂芬妮;曼尼茨,朱利安;汉堡,帕特里夏;阿莫斯,克里斯托弗一世。;瑞希,安吉拉;张克洛德,珍妮;威奇曼,海因茨·埃里希;克奈布,托马斯;比克伯勒,黑克;Hofner,Benjamin:基于路径的核增强分析全基因组关联研究(2017)
  17. 格雷文,索尼娅;Scheipl,Fabian:函数回归建模的一般框架(2017)
  18. 克劳斯,丹尼尔;Czado,Claudia:D-vine copula基分位数回归(2017)
  19. 梅尔,安德烈亚斯;本杰明霍夫纳;沃尔德曼,伊丽莎白;赫普,托比亚斯;梅耶,塞巴斯蒂安;Gefeller,Olaf:生物医学统计促进的最新进展(2017)
  20. 潘德,阿莫尔;李、梁;拉杰斯瓦兰,吉瓦南坦;埃林格,约翰;科加鲁尔,乌达亚B。;黑石,尤金H。;Hemant Ishwaran:纵向数据的增强多元树(2017)