杨磊;方一心;王俊辉;邵永钊 通过学习梯度选择部分线性模型的变量。 (英语) Zbl 1379.62034号 电子。J.统计。 11,第2期,2907-2930(2017). 研究了形式为(y=mathbf{z}^T\beta+f(mathbf}w})+epsilon)的部分线性模型(PLM)的变量选择,对采用梯度学习策略(如[L.Yang(杨利伟)等,J.Mach。学习。第17号决议,第82号论文,24页(2016年;Zbl 1360.62199号)]. 与[loc.cit.]中的非参数回归模型相比,PLM更为简约,因此计算更容易。如果(f)的偏导数为零,则(mathbf{w})的一个分量与回归问题无关。复制核Hilbert空间技术用于学习(f)的梯度(mathbf{g})。采用拉索变量选择,包括渐近估计和选择一致性。审核人:菲利普·多布勒(多特蒙德) 引用于2文件 MSC公司: 62G08号 非参数回归和分位数回归 62J07型 岭回归;收缩估计器(拉索) 46 E22型 具有再生核的希尔伯特空间(=(适当的)函数希尔伯特空间,包括de Branges-Rovnyak和其他结构空间) 68T05型 人工智能中的学习和自适应系统 6220国集团 非参数推理的渐近性质 关键词:部分线性模型;拉索组;学习梯度;再生核希尔伯特空间;变量选择 引文:Zbl 1360.62199号 软件:格尔姆奈特;格拉索;R(右) PDF格式BibTeX公司 XML格式引用 \textit{L.Yang}等人,《电子》。J.Stat.11,No.2,2907--2930(2017;Zbl 1379.62034) 全文: 内政部 欧几里得