彼得·伯尔曼;于斌 稀疏增压。 （英语） Zbl 1222.68155号 J.马赫。学习。物件。 7, 1001-1024 (2006). 摘要：我们提出了稀疏boosting（sparse（L_{2}）Boost算法），这是一种基于误差平方损失的boosting算法的变体。稀疏\（L_｛2｝\）Boost通过小步梯度下降最小化一些惩罚\（L_｛2｝\）损失函数，即\（FPE\）模型选择标准，产生比先前提出的\（L_｛2｝\）Boosting更稀疏的解。尽管boosting可能会给出相对稀疏的解，例如对应于正交线性模型中的软阈值估计量，但有时需要更稀疏的解来提高预测精度和更好的变量选择能力：这样的目标可以通过稀疏Boost实现。我们证明了正交线性模型的稀疏（L_2}）Boost与Breiman的非负garrote估计的等价性，并证明了非参数交互建模中稀疏（L_2}）Boost的一般性质。对于稀疏（L_{2}）Boost中调谐参数的自动选择，我们建议使用gMDL模型选择准则，该准则也可用于提前停止（L_[2}）Boost。因此，我们可以通过比较gMDL得分在稀疏（L_{2}）Boost和（L_[2}）Boosting之间进行选择。 引用于26文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 62G08号 非参数回归和分位数回归 关键词：套索;最小描述长度（MDL）;型号选择;非负garrote;回归，回归 PDF格式BibTeX公司 XML格式引用 \textit｛P.Bühlmann｝和\textit｛B.Yu｝，J.马赫。学习。第71001--1024号决议（2006年；Zbl 1222.68155） 全文： 链接