Regularisierung für diskrete Datenstrukturen

离散数据结构的正则化

• 批准号: 208398175
• 负责人: Professor Dr. Gerhard Tutz
• 金额: --
• 依托单位: Institut für Statistik
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2011
• 资助国家: 德国
• 起止时间: 2010-12-31 至 2015-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/208398175?language=en
• 关键词: Regularisierung; diskrete; Datenstrukturen

Statistische Modellierung in diskreten Strukturen ist parameterintensiv. Schon die Einbeziehung weniger Merkmale führt zu hochdimensionalen Parametrisierungen, wenn die Merkmale viele mögliche Ausprägungen besitzen. Spezifische Regularisierungstechniken, die auf diskrete Modelle zugeschnitten sind, sind notwendig, um Parameterökonomie und damit Schätzbarkeit der Modelle zu erreichen. Ziel des Projekts ist die Entwicklung von Regularisierungstechniken, die es ermöglichen, relevante und insbesondere interpretierbare Wirkungsstrukturen zu identifizieren. Die Parameterökonomie ergibt sich als Folge des reduzierten Modells. Ein Hauptanliegen der Identifikation von Wirkungsstrukturen ist die Ausrichtung auf einfache Interpretierbarkeit, die für Anwendungen in den Substanzwissenschaften von besonderer Bedeutung ist. Ein Schwerpunkt liegt auf der Variablenselektion, die besonders einfach interpretierbar ist. Weitere Strukturkomponenten sind Gruppierungen von Kategorien, kategorienunabhängige Parametrisierungen und die Anzahl von Mischungskomponenten.

磁盘结构中的StaubscheModellierung是一个参数密集型。Schon die Einbeziehung weniger Merkmale führt zu hochdimensionalen Parametrisierungen，wenn die Merkmale viele mögliche Ausprägungen besitzen.这是一种规则化的技术，它使离散模型变得更加复杂，而不是参数经济学和模型的结构化。Ziel des Projekts ist die Entwicklung von Regularisierungstechniken，die es ermöglichen，relevante and insbesondere interpretierbare Wirkungsstrukturen zu identifizieren.参数化经济学可以通过简化的模型来实现。一个识别Wirkungsstrukturen的Hauptanliegen是对一个解释者的解释，是对被解释者的实体知识的解释。一个文本点依赖于变量选择，最好是一个解释器。Weitere Strukturkomponenten sind Gruppierungen von Kategorien，Kategorienunabhängige Parametrisierungen und die Anzahl von Mischungskomponenten.

项目成果

Selection and Fusion of Categorical Predictors with L 0 -Type Penalties

• DOI: 10.1177/1471082x14553366
• 发表时间: 2015-10
• 期刊: Statistical Modelling
• 影响因子: 1
• 作者: Margret-Ruth Oelker;Wolfgang Pößnecker;G. Tutz

Additive mixed models with approximate Dirichlet process mixtures: the EM approach

具有近似狄利克雷过程混合物的加性混合模型：EM 方法

• DOI: 10.1007/s11222-014-9475-z
• 发表时间: 2016
• 期刊: Statistics and Computing
• 影响因子: 2.2
• 作者: Heinzl

Variable selection in general multinomial logit models

• DOI: 10.1016/j.csda.2014.09.009
• 发表时间: 2015-02
• 期刊: Comput. Stat. Data Anal.
• 作者: G. Tutz;Wolfgang Pößnecker;L. Uhlmann

Modeling electoral choices in multiparty systems with high-dimensional data: A regularized selection of parameters using the Lasso approach

使用高维数据对多党系统中的选举进行建模：使用 Lasso 方法对参数进行正则化选择

• DOI: 10.1016/j.jocm.2015.09.004
• 发表时间: 2015
• 期刊: Journal of choice modelling
• 影响因子: 2.4
• 作者: Mauerer;Pößnecker;Thurner;und Tutz
• 通讯作者: und Tutz

A uniform framework for the combination of penalties in generalized structured models

• DOI: 10.1007/s11634-015-0205-y
• 发表时间: 2017-03-01
• 期刊: ADVANCES IN DATA ANALYSIS AND CLASSIFICATION
• 影响因子: 1.6
• 作者: Oelker, Margret-Ruth;Tutz, Gerhard
• 通讯作者: Tutz, Gerhard