It does variable selection when 0 <

It does variable selection when 0 < q 6 1, and shrinks the coefficients when q > 1. Frank and Friedman (1993) did not solve for the estimator of bridge regression for any given q > 0, but they pointed out that it is desirable to optimize the parameter q.Fu (1998) studied the structure of bridge estimators and proposed a general algorithm to solve for q > 1. The shrinkage parameter q and the tuning parameter λ are selected via generalized cross-validation. Knight and Fu (2000) showed asymptotic properties of bridge estimators withq > 0 when p is fixed. Huang et al. (2008) studied the asymptotic properties of bridge estimatorsin sparse, high dimensional, linear regression models when the number of covariates p may increase along with the sample size n. Liu et al. (2007) introduced an Lq support vector machine algorithm which selects q from the data.The effect of the Lq penalty with different q’s is well explained in Liu et al. (2007), and webriefly mention some part of it here along with the effect of the elastic net. Figure 1 (a) shows the Lq with q = 0.1,1,2 and the elastic net penalty is also overlaid. For the Lq, its penalty function is strictly convex if q > 1 and strictly nonconvex if q < 1. When q = 1, it is still convex but not differentiable at the origin. It is clearly shown that the elastic net penalty is between q = 1 (lasso) and q = 2 (ridge), and it is strictly convex.

Results (Russian) 1:

Это делает переменный выбор при 0 <Q 6 1, и стягиваются коэффициентов при д> 1. Франк и Фридман (1993) не решали для оценки бриджа регрессии для любого заданного Q> 0, но они указали, что желательно для оптимизации параметра д.
Fu (1998) изучил структуру моста оценок и предложен общий алгоритм решения для д> 1. Усадка параметра д , а параметр настройки λ выбирается с помощью обобщенной перекрестной проверки. Найт и фу (2000) показали , асимптотические свойства мостовых оценок с
д> 0 при р фиксированы. Хуанг и др. (2008) изучили асимптотические свойства мостовых оценок
в разреженном, высокие размерные, линейные модели регрессии , когда число ковариата р может увеличиться наряду с размером выборки п. Лю и др. (2007) представил опорных векторов алгоритм Lq , который выбирает Q из данных.
Эффект штрафа Lq с различными д - х хорошо объясняется в Liu и др. (2007), и мы
кратко упомянуть какую - то часть его здесь вместе с е и далее ЭСТ упругой сетки. На рисунке 1 (а) показывает Lq с д = 0.1,1,2 и упругой чистой штрафа также накладывается. Для Lq, его штрафная функция строго выпуклая , если д> 1 и строго невыпуклые , если д <1. При д = 1, то по - прежнему выпукло , но не дифференцируем в нуле. Это ясно показано , что эластичная сетка штраф между д = 1 (лассо) и д = 2 (гребень), и это является строго выпуклой.

Results (Russian) 2:

Он делает выбор переменной, когда 0 q q 6 1, и сжимает коэффициенты, когда q q 1. Франк и Фридман (1993) не решили для оценщика регрессии моста для любого данного q q 0, но они указали, что желательно оптимизировать параметр q.
Фу (1998) изучил структуру оценщиков мостов и предложил общий алгоритм для решения для q q 1. Параметр усадки q и параметр настройки q выбираются с помощью обобщенных перекрестных валидации. Рыцарь и Фу (2000) показали асимптотические свойства оценщиков моста с
q 0, когда p исправлено. Хуан и др. (2008) изучили асимптотические свойства оценщиков мостов
в редких, высокомерных, линейных регрессионных моделях, когда количество ковариатов р может увеличиваться вместе с размером выборки n. Liu et al. (2007) ввел алгоритм векторной машины поддержки Lq, который выбирает q из данных.
Эффект штрафа Lq с различными q's хорошо объясняется в Лю и др. (2007), и мы
кратко упомянуть некоторую часть его здесь вместе с эффектом упругой сети. На рисунке 1 (a) показан Lq с q q 0.1,1,2, а эластичный чистый штраф также наложен. Для Lq, его функция штрафа строго выпуклой, если q q 1 и строго nonconvex, если q q 1. Когда q q 1, он все еще выпуклостно но не дифференциируется на происхождении. Четко показано, что эластичная чистая штраф составляет от q q q 1 (лассо) и q q 2 (хребет), и это строго выпуклый.

Results (Russian) 3:

при выборе переменной 0 < q 6 1, когда q > 1 уменьшается.Frank and Friedman (1993) не запросили никакой оценки возвращения моста к заданному q > 0, но они отметили, что желательно оптимизировать параметр q.
Fu (1998) изучал структуру моста и предложил общий алгоритм решения q > 1.Выберите параметр q для сужения и Лямбда для настройки.постепенный характер оценки моста был продемонстрирован Knight and Fu (2000).
когда p исправлен, q > 0.Хуан и другие.(2008) изучение асимптотического характера оценки моста
в редких, высокоразмерных и линейных регрессивных моделях количество ковариантных p может увеличиваться с увеличением количества проб.(2007) был введен алгоритм Lq, поддерживающий вектор, который выбирает q из данных.
эффект штрафных санкций Lq в разных значениях был хорошо объяснен в Liu et al.(2007 год) мы
Бри упомянул здесь некоторые его части и роль эластичных сетей.На диаграмме 1 (a) показано, что q = 0,1,1,2 lq также охватывается гибким и чистым наказанием.для Lq, когда q > 1, его функция штрафных санкций строго выпукла, а когда q < 1, функция штрафных санкций является строго некорректной.когда q = 1, он по - прежнему выпуклый, но не дифференцируемый в исходной точке.Результаты показывают, что эластичные сети наказываются в пределах от q = 1 (петля) до q = 2 (гребень) и являются строго выпуклыми.