随机子空间系综分类与变量筛选

针对稀疏分类问题,我们提出了一个通用的集成分类框架RaSE算法。在RaSE算法中,对于每个弱学习者,生成一些随机子空间,并根据一定的准则选择最优子空间来训练模型。为了适应这一问题,基于Kullback-Leibler散度,提出了一种新的准则&比率信息准则(RIC)。除了最小化RIC外,还可以应用多个准则,例如最小化扩展贝叶斯信息准则(eBIC)、最小化训练误差、最小化验证误差、最小化交叉验证误差、最小化漏检误差。基本分类器有多种选择,如线性判别分析、二次判别分析、k近邻、logistic回归、决策树、随机森林、支持向量机等。RaSE算法也可以应用于特征排序,根据每个特征在多个子空间中的选择百分比来提供每个特征的重要性。RaSE框架可以扩展到一般的预测框架,包括分类和回归。我们可以使用选定的变量百分比进行变量筛选。最新版本增加了变量筛选功能,可用于回归和分类。

版本: 2.0.0款
进口: 质量,插入符号,,多帕莱尔,e1071号,foreach公司,北电,随机森林,零件,统计,GG地块2,额外网格,格式化程序,FNN公司,护林员
建议: ,R标记
出版: 2021年1月15日
作者: 叶田[aut,cre]和杨峰[aut]
维护人员: 叶天在哥伦比亚大学
许可证: GPL-2
需求对比:
起重机检查: 拉森结果

下载:

参考手册: 拉森.pdf
渐晕: 拉森演示
包源: 拉森2.0.0.tar.gz
Windows二进制文件: r-devel公司:拉森2.0.0.zip,r-释放:拉森2.0.0.zip,r-oldrel:拉森2.0.0.zip
macOS二进制文件: r-释放:拉森2.0.0.tgz,r-oldrel:拉森2.0.0.tgz
老资料来源: 拉森档案馆

链接:

请使用规范形式https://CRAN.R-project.org/package=RaSEn链接到此页面。