Group descent algorithms for nonconvex penalized linear and logistic regression models with grouped predictors.
Group descent algorithms for nonconvex penalized linear and logistic regression models with grouped predictors.
复制标题
DOI：
10.1007/s11222-013-9424-2
复制
发表时间：
2015-03
影响因子：
2.2
通讯作者：
Huang J
中科院分区：
文献类型：
--
作者：
Breheny P;Huang J
惩罚回归是变量选择问题的一个有吸引力的框架。通常，变量具有分组结构，相关的选择问题是选择组，而不是单个变量。群体套索是将套索的思想扩展到群体选择问题的一种方法。SCAD和MCP等非凸罚函数已经被提出，并显示出比套索有几个优点;这些罚函数也可以扩展到组选择问题，从而产生组SCAD和组MCP方法。在这里，我们描述的算法，以适应这些模型稳定和有效。此外，我们提出了模拟结果和真实的数据的例子比较和对比这些方法的统计特性。
Penalized regression is an attractive framework for variable selection problems. Often, variables possess a grouping structure, and the relevant selection problem is that of selecting groups, not individual variables. The group lasso has been proposed as a way of extending the ideas of the lasso to the problem of group selection. Nonconvex penalties such as SCAD and MCP have been proposed and shown to have several advantages over the lasso; these penalties may also be extended to the group selection problem, giving rise to group SCAD and group MCP methods. Here, we describe algorithms for fitting these models stably and efficiently. In addition, we present simulation results and real data examples comparing and contrasting the statistical properties of these methods.
登录
查看更多内容
DOI：
10.1073/pnas.0600158103
发表时间：
2006-04-18
影响因子：
11.1
作者：
Chiang, AP;Beck, JS;Sheffield, VC
通讯作者：
Sheffield, VC
DOI：
10.1214/10-aoas388
发表时间：
2011-01-01
期刊：
The annals of applied statistics
影响因子：
--
作者：
Breheny P;Huang J
通讯作者：
Huang J
影响因子：
2.4
作者：
Lange, K;Hunter, DR;Yang, I
通讯作者：
Yang, I
影响因子：
4.5
作者：
Zhang, Cun-Hui
通讯作者：
Zhang, Cun-Hui
影响因子：
4.5
作者：
Zou, Hui;Li, Runze
通讯作者：
Li, Runze