×

通过信息准则进行有效的正则化参数选择。 (英语) 兹比尔1327.62417

摘要:在基于正则化方法的非线性回归模型中,选择适当的正则化参数至关重要。广义信息准则(GIC)和广义贝叶斯信息准则(GBIC)等信息准则有助于选择最优正则化参数。然而,最优参数通常是通过计算所有候选正则化参数的信息准则来确定的,因此计算成本很高。实现这一点的一种简单方法是将GIC或GBIC视为正则化参数的函数,并找到最小化GIC或GB IC的值。然而,如何解决优化问题尚不清楚。在本文中,我们提出了一种有效的Newton-Raphson型迭代方法,用于在基于基展开的非线性回归模型中选择关于GIC或GBIC的最佳正则化参数。与网格搜索相比,该方法大大减少了计算时间,并且可以选择更合适的正则化参数。通过实例验证了该方法的有效性。

MSC公司:

62J07型 岭回归;收缩估计器(拉索)
65天10分 数值平滑、曲线拟合
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Akaike H.,第二届信息理论国际研讨会,第267页–(1973)
[2] 内政部:10.1007/s10463-007-0161-1·Zbl 1332.62237号 ·doi:10.1007/s10463-007-0161-1
[3] 内政部:10.1007/BF01404567·Zbl 0377.65007号 ·doi:10.1007/BF01404567
[4] 藤泽H.,研究备忘录,1078(2008)
[5] 内政部:10.1007/978-1-4899-4473-3·doi:10.1007/978-1-4899-4473-3
[6] DOI:10.1017/CCOL0521382483·doi:10.1017/CCOL0521382483
[7] 内政部:10.1007/978-0-387-21606-5·doi:10.1007/978-0-387-21606-5
[8] 内政部:10.1007/BF02523388·Zbl 1047.62032号 ·doi:10.1007/BF02523388
[9] Kawahara A.,《肿瘤报告》24,第405页–(2010年)
[10] DOI:10.1093/biomet/83.4.875·兹比尔0883.62004 ·doi:10.1093/生物技术/83.4875
[11] Konishi S.,信息标准和统计建模(2009)·Zbl 1172.62003年
[12] DOI:10.1093/biomet/91.1.27·Zbl 1132.62313号 ·doi:10.1093/biomet/91.1.27
[13] DOI:10.1017/CBO9780511755453·Zbl 1038.62042号 ·doi:10.1017/CBO9780511755453
[14] Schott J.,统计学矩阵分析(1997)·Zbl 0872.15002号
[15] DOI:10.1007/s10463-008-0186-0·Zbl 1440.62035号 ·doi:10.1007/s10463-008-0186-0
[16] 内政部:10.1198/016214500000980·Zbl 1117.62445号 ·doi:10.1198/016214500000980
[17] 数字对象标识码:10.1111/j.1467-9868.2007.00646.x·Zbl 05563356号 ·doi:10.1111/j.1467-9868.2007.00646.x
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。