Journal of Computational and Graphical Statistics· 2012Q1
Yüksek Boyutlu Regresyon için Seyrek-Grup Lasso
A Sparse-Group Lasso
- 1.385atıf
- Q1SCImago
- 2012yıl
Kısa özet
L1 ve L2 cezaları içeren yeni bir Seyrek-Grup Lasso modeli, yüksek boyutlu doğrusal regresyonda hem grup düzeyinde hem de grup içi seyrekliği sağlamaktadır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Yüksek boyutlu doğrusal regresyon için Seyrek-Grup Lasso modelini tanıtır.
- Model, L1 ve L2 cezalarını kullanarak hem grup hem de grup içi düzeylerde seyrekliği zorlar.
- Model uyumlandırması için hızlandırılmış genelleştirilmiş gradyan inişi algoritması önerilir.
- Model ve algoritmalar dışbükey kayıp fonksiyonlarını işlemek üzere genişletilmiştir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract. For high dimensional supervised learning problems, often using problem specific assumptions can lead to greater accuracy. For problems with grouped covariates, which are believed to have sparse effects both on a group and within group level, we introduce a regularized model for linear regression with ℓ1 and ℓ2 penalties. We discuss the sparsity and other regularization properties of the optimal fit for this model, and show that it has the desired effect of group-wise and within group sparsity. We propose an algorithm to fit the model via accelerated generalized gradient descent, and extend this model and algorithm to convex loss functions. We also demonstrate the efficacy of our model and the efficiency of our algorithm on simulated data.
Yazarların özeti; kaynağından alınmıştır. Journal of Computational and Graphical Statistics, 2012 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Romatoloji
RheumatologyMedicine