Results (
Russian) 1:
[Copy]Copied!
При оценке регрессии <br>коэффициенты р, то обычный метод наименьших квадратов (МНК) оценки, наиболее распространенным методом, является несмещенной. <br>Тем не менее, он все еще может иметь большой средний квадрат ошибки , когда мультиколлинеарности в конструкции <br>матрицы X вызывает неустойчивые решения. <br>Оштрафованных методы регрессии, такие как конька (Hoerl и Kennard, 1970), лассо (Tibshirani, <br>1996), эластичная сетка (Цзоу и Гесте, 2005), и мост (Франк и Фридман, 1993), было <br>предложено решить эту проблему , Хребет регрессия использует штраф L2 и лучше всего использовать , <br>когда существует высокая корреляция между предсказателями. Тем не менее, это может быть в й uenced от несущественных <br>переменных , так как он использует все предикторы в руке. Лассо используют неустойку L1 и делают как<br>непрерывная усадка и автоматический выбор переменного одновременно. Тем не менее, при наличии <br>мультиколлинеарности, оно эмпирический было обнаружено , что эффективность предсказания Лассо <br>преобладает конек регрессия (Tibshirani, 1996). Эластичные чистые попытки сохранить преимущество <br>хребта и лассо, и преодолеть свои недостатки путем объединения штрафы L1 и L2. <br>Кроме того, она имеет группировку е и далее т.д., то есть , если существует множество переменных , среди которых попарных <br>корреляции являются высокими, упругими чистыми группами коррелированного переменными вместе. <br>Мост регрессии (Frank и Фридман, 1993; Fu, 1998, рыцарь и Fu, 2000; Liu и др . , 2007;<br>Хуанг и др., 2008) использует (Q> 0) штраф Lq и , таким образом , она включает в себя хребет (д = 2) и Lasso (д = 1) в качестве особых случаев. Известно , что если 0 <д 6 1, мостовые оценки производят редкие модели. Благодаря общей форме Lq штрафной, мост регрессия естественно фи т.с. любой ситуации , в которой она нуждается в <br>переменном выборе или там существует мультиколлинеарность.
Being translated, please wait..