• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Boosting methods for variable selection in high dimensional sparse models.
【24h】

Boosting methods for variable selection in high dimensional sparse models.

机译：高维稀疏模型中变量选择的增强方法。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

First, we propose new variable selection techniques for regression in high dimensional linear models based on a forward selection version of the least absolute selection and shrinkage operator (LASSO), adaptive LASSO or elastic net, respectively to be called as forward iterative regression and shrinkage technique (FIRST), adaptive FIRST and elastic FIRST. We exploit the fact that the LASSO, adaptive LASSO and elastic net have closed form solutions when the predictor is one-dimensional. Second, we propose a new variable selection technique for binary classification in high dimensional models based on a forward selection version of the squared support vector machines (SVM) or one-norm SVM, to be called as forward iterative selection and classification algorithm (FISCAL). We suggest the squared support vector machines using ℓ1-norm and ℓ2-norm simultaneously. The squared support vector machines are convex and differentiable except at zero when the predictor is one-dimensional. We apply the processes to the original one-norm support vector machines. By carefully considering the relationship between estimators at successive stages, we develop fast algorithms to compute our estimators. It is observed that our approaches have better prediction performance for high dimensional sparse models.
机译：首先，我们提出了一种基于最小绝对选择和收缩算子（LASSO），自适应LASSO或弹性网的正向选择版本的高维线性模型中用于回归的新变量选择技术，分别称为正向迭代回归和收缩技术。 （FIRST），自适应FIRST和弹性FIRST。我们利用以下事实：当预测变量为一维时，LASSO，自适应LASSO和弹性网具有闭合形式的解。其次，我们基于平方支持向量机（SVM）或单范数SVM的正向选择版本，提出了一种新的用于高维模型中二进制分类的变量选择技术，称为正向迭代选择和分类算法（FISCAL） 。我们建议同时使用＆ell; 1-norm和＆ell; 2-norm的平方支持向量机。平方的支持向量机是凸的并且是可微的，除了当预测变量为一维时为零。我们将这些过程应用于原始的一范式支持向量机。通过仔细考虑连续阶段估算器之间的关系，我们开发了快速算法来计算估算器。可以看出，我们的方法对于高维稀疏模型具有更好的预测性能。

著录项

  • 作者

    Hwang, Wook Yeon.;

  • 作者单位

    North Carolina State University.;

  • 授予单位 North Carolina State University.;
  • 学科 Biology Biostatistics.;Biology Bioinformatics.;Statistics.
  • 学位 Ph.D.
  • 年度 2009
  • 页码 77 p.
  • 总页数 77
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号