Quantile regression in reproducing kernel Hilbert spaces
Quantile regression in reproducing kernel Hilbert spaces
复制标题
DOI：
10.1198/016214506000000979
复制
发表时间：
2007-03-01
影响因子：
3.7
通讯作者：
Zhu, Ji
中科院分区：
文献类型：
--
作者：
Li, Youjuan;Liu, Yufeng;Zhu, Ji
在这篇文章中，我们考虑再生核希尔伯特空间中的分位数回归，我们称之为核分位数回归（KQR）。我们做出三个贡献：（1）我们提出了一个有效的算法，计算KQR的整个解决方案的路径，基本上相同的计算成本拟合一个KQR模型;（2）我们推导出一个简单的公式的有效尺寸的KQR模型，它允许方便地选择正则化参数;（3）我们开发了一个渐近理论的KQR模型。
In this article we consider quantile regression in reproducing kernel Hilbert spaces, which we call kernel quantile regression (KQR). We make three contributions: (1) we propose an efficient algorithm that computes the entire solution path of the KQR, with essentially the same computational cost as fitting one KQR model; (2) we derive a simple formula for the effective dimension of the KQR model, which allows convenient selection of the regularization parameter; and (3) we develop an asymptotic theory for the KQR model.