.png){kind=icon}
返回
Data-driven random projection and screening for high-dimensional generalized linear models
.png){kind=icon}
PRE
AI
DOI：10.1177/1471082X251392705.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们通过提出一种数据驱动的随机投影（RP）方法，解决了高维广义线性模型（GLMs）中预测变量相关性这一挑战，其中回归系数从稀疏到密集不等。这在预测变量数量远大于观测数量且潜在结构（无论稀疏或密集）未知的实际应用中尤为相关。我们通过使用岭型估计进行变量筛选，并在降维时利用RP来整合关于响应变量与预测变量关系的信息来实现这一目标。我们证明，带有较小惩罚项的岭估计量对RP和筛选有效，但惩罚值必须谨慎选择。与线性回归不同（其中接近零的惩罚项效果良好），该方法在非高斯族中会导致过拟合。相反，我们推荐一种数据驱动的惩罚项选择方法。在模拟研究中，这种数据驱动的RP在预测性能上优于传统的RP，甚至超越了弹性网络等基准方法。此外，在模拟研究中，多个此类RP的集成结合概率变量筛选，在不同稀疏水平下以较低的计算成本实现了预测和变量排序的最佳综合结果。最后，三个涉及计数和二元响应的应用案例展示了该方法在可解释性和预测精度方面的优势。
Keyword:
Generalized linear models
high-dimensional data
predictive modeling
random projection (RP)
screening
期刊
S
IF:
1
论文数:
19
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
Nonparametric Independence Screening in Sparse Ultra-High-Dimensional Additive Models稀疏超高维加性模型中的非参数独立性筛选
OAAI
OAAI分享收藏分享收藏
查看更多内容