论文摘要
随着海量高维数据在众多研究和应用领域的不断涌现,如何利用数据的稀疏性特征,从中挖掘到有价值的信息显得至关重要.变量选择作为可解释性建模、提高统计推断和预测精度的有效工具,在高维数据的分析中发挥着愈来愈重要的作用.由于集成学习能显著提高选择精度、缓解变量选择过程的不稳定性、降低噪声变量被误选的机率,变量选择集成方法近年来得到了广泛研究.为了给相关方向的研究者提供一个系统的参考资料,论文对现有的变量选择集成方法进行了详细阐述,按照构建集成所用的不同策略将其分为两大类,分析了各类方法的特征,并采用数值试验研究了各类方法在变量选择、预测等方面的性能.最后,论文对变量选择集成方法在未来值得研究的方向进行了探讨.
论文目录
文章来源
类型: 期刊论文
作者: 张春霞,李俊丽
关键词: 高维数据分析,变量选择,线性回归模型,集成学习,稳定性
来源: 工程数学学报 2019年01期
年度: 2019
分类: 基础科学
专业: 数学
单位: 西安交通大学数学与统计学院
基金: 国家自然科学基金(11671317,61572393)~~
分类号: O212.1
页码: 1-17
总页数: 17
文件大小: 292K
下载量: 152
相关论文文献
- [1].基于惩罚方法的贝叶斯群组变量选择[J]. 绵阳师范学院学报 2017(02)
- [2].当前状态数据中比例风险模型的一种贝叶斯变量选择方法（英文）[J]. 中国科学技术大学学报 2020(10)
- [3].中位数回归的贝叶斯变量选择方法[J]. 应用概率统计 2019(06)
- [4].基于风险函数评价自变量选择对预测的影响[J]. 哈尔滨师范大学自然科学学报 2012(01)
- [5].变量选择偏离对预测的影响研究[J]. 统计与决策 2016(12)
- [6].基于特征子空间虚假邻点判别的软传感器模型变量选择[J]. 机械工程学报 2011(12)
- [7].函数型变量选择法用于空气质量影响因素实证分析[J]. 安庆师范大学学报(自然科学版) 2017(04)
- [8].污染数据的稳健稀疏成组变量选择方法研究[J]. 统计与信息论坛 2018(06)
- [9].应用统计类专业探究性教学模式探索与实践——以变量选择准则为例[J]. 赤峰学院学报(自然科学版) 2014(19)
- [10].基于两种非凸惩罚函数的稀疏组变量选择[J]. 应用数学与计算数学学报 2018(03)
- [11].基于t函数的稳健变量选择方法[J]. 上海理工大学学报 2017(06)
- [12].高维部分线性小波模型中的变量选择[J]. 宁波工程学院学报 2018(02)
- [13].个人住房抵押贷款违约相关变量选择[J]. 现代管理科学 2009(04)
- [14].Ensemble-SISPLS近红外光谱变量选择方法[J]. 光谱学与光谱分析 2019(04)
- [15].含函数型自变量回归模型中的变量选择[J]. 北京航空航天大学学报 2019(10)
- [16].基于变量选择和聚类分析的两阶段异方差模型估计[J]. 应用概率统计 2018(02)
- [17].基于可见-近红外光谱变量选择的土壤全氮含量估测研究[J]. 中国农业科学 2014(12)
- [18].基于M-估计单指标模型的变量选择[J]. 兰州理工大学学报 2017(06)
- [19].比例数据的贝叶斯变量选择[J]. 数理统计与管理 2018(03)
- [20].主因子逼近方法在变量选择中的应用[J]. 湖南理工学院学报(自然科学版) 2019(01)
- [21].基于自加权变量组合集群分析法的近红外光谱变量选择方法研究[J]. 分析化学 2018(01)
- [22].基于迭代光滑L_(1/2)算法的变量选择[J]. 应用数学与计算数学学报 2016(01)
- [23].高维部分线性模型中的变量选择[J]. 北京工业大学学报 2011(02)
- [24].一种基于频率与回归系数相结合的自举柔性收缩变量选择方法[J]. 仪器仪表学报 2020(01)
- [25].探究变量选择的常见方法[J]. 通讯世界 2019(03)
- [26].几种高维变量选择方法的比较及应用[J]. 统计与决策 2017(22)
- [27].变系数模型的变量选择[J]. 统计与决策 2016(12)
- [28].贝叶斯变量选择及模型平均的研究[J]. 统计与信息论坛 2015(08)
- [29].分位数回归模型中的两步变量选择（英文）[J]. 上海师范大学学报(自然科学版) 2015(03)
- [30].线性回归模型中变量选择方法综述[J]. 数理统计与管理 2010(04)