1.1  LASSO方法
 LASSO是目前比较流行的数据挖掘的一种方式,因为它有相当多的优点:能满保证变量的选择和参数的估计一起发生.它由Tibshirani提出来.
给定一线性回归模型
                                                            
其中,  是一个随机向量,其元素独立同分布,且均值为0,方差为 ,  是n×1阶向量,  是n×p阶自变量矩阵:
 
  为上述模型的系数向量.假如我们认为因变量和自变量都是被中心化过的,那么这个模型的截距就是零了.对于上面的模型,它的系数的LASSO估计量可以表示为:                                                 
 
若设计阵列正交,LASSO方法参数估计的显式表达为
                                                                          
在安排阵非列正交的时候,我们可以先确定 的值然后利用二次算法得到参数估计.在更为简单的情况下,还可以运用最小角回归(LAR)的方法对参数进行估计算法.
和岭回归相比较的话,LASSO方法从形式上来讲比较简单.LASSO方法就重要变量(参数估计较大的变量)的系数压缩这一概念来说影响不重,这样就保证了估计参数时候的准确性.
上一篇:整群抽样理论与方法的探究
下一篇:中国股票市场可预测性的研究分析

数据分析在大数据时代的应用

基于长时间序列MODIS数据的...

有限温度下pion弦的演化

线性回归模型在预测杭州CPI中的应用

线性空间与欧氏空间的比较

用LSQR迭代法求解线性方程组

汽车油耗数据的相关分析与回归分析

志愿者活动的调查问卷表

医院财务风险因素分析及管理措施【2367字】

10万元能开儿童乐园吗,我...

公寓空调设计任务书

中国学术生态细节考察《...

AT89C52单片机的超声波测距...

国内外图像分割技术研究现状

C#学校科研管理系统的设计

承德市事业单位档案管理...

神经外科重症监护病房患...