.png){kind=icon}
返回
Fast Multinomial Logistic Regression with Group Sparsity
.png){kind=icon}
PRE
AI
DOI：10.1287/ijoc.2024.0796.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多项逻辑回归（MLR）是模型化分类结果的一种常用方法，但常遇到参数非识别性问题。为解决此问题，已提出多种模型，如基于参考的MLR（RMLR）、基于约束的MLR（CMLR）和基于单纯形的MLR（SMLR）。在处理高维分组协变量时，应用分组最小绝对收缩与选择算子惩罚的MLR（组MLR）变得至关重要。然而，分组RMLR因主观参考选择而存在挑战，而分组CMLR计算密集。本文引入分组SMLR（GSMLR），强调其高效的参数化和计算优势。GSMLR不仅消除了分组RMLR中所需的参考选择，还能匹配分组CMLR的结果。我们为GSMLR估计量提供了明确的oracle误差界，并进一步通过结合分组坐标下降策略与增强的安全筛选规则的快速算法优化其性能。我们的数值结果表明，GSMLR在预测精度和计算效率方面均表现优异，使其成为高维数据分析以及在运营管理、金融风险评估等复杂领域中决策支持的有价值工具。
Keyword:
group LASSO penalty
oracle inequalities
safe screening rules
simplex coding
unconstrained optimization
期刊
I
IF:
2.1
论文数:
90
被引数:
3.2K
机构
查看更多机构
引用论文
暂无论文信息