.png){kind=icon}
返回
Multi-step adaptive elastic net for variable selection and classification in high-dimensional sparse logistic regression models
.png){kind=icon}
PRE
AI
DOI：10.1007/s00180-025-01714-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在高维数据分析中，尤其是在处理高度相关的协变量时，变量选择与分类的联合挑战在机器学习中依然普遍存在。为解决此问题，我们针对逻辑回归模型提出了多步自适应弹性网（MSA-Enet）方法，该方法整合了多步估计框架与自适应惩罚结构。MSA-Enet通过应用小幅度重复惩罚的策略增强了相关变量的选择，并提高了分类预测的准确性。理论上，所提出的方法被证明能够以高概率选择真实模型，并在某些正则性条件下实现 \documentclass[12pt]{minimal} \usepackage{amsmath} \usepackage{wasysym} \usepackage{amsfonts} \usepackage{amssymb} \usepackage{amsbsy} \usepackage{mathrsfs} \usepackage{upgreek} \setlength{\oddsidemargin}{-69pt} \begin{document}$$L_2$$\end{document} -范数误差界。最后，通过模拟研究和两个基因表达数据集的分析表明，MSA-Enet能够在不牺牲分类预测准确性的前提下降低模型复杂度。
Keyword:
Adaptive elastic net
High-dimensional data
Lasso
Penalized logistic regression
Variable selection
期刊
C
IF:
1.4
论文数:
101
被引数:
2.2K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容