全球范圍內(nèi),運用大數(shù)據(jù)推動經(jīng)濟(jì)發(fā)展使得數(shù)據(jù)特征維數(shù)呈幾何式增加,眾多領(lǐng)域數(shù)據(jù)的特性促使特征選擇成為解決維數(shù)災(zāi)難、提高算法泛化能力的有效手段之一。同時多種類別數(shù)據(jù)的特征以組結(jié)構(gòu)形式存在,基于傳統(tǒng)方法對系數(shù)添加組結(jié)構(gòu)懲罰項來實現(xiàn)特征選擇的方法日益成熟。該文針對組Lasso（Least Absolute Shrinkage and Selection Operator）回歸模型一組內(nèi)所有變量同時選擇或舍棄的局限性,對重疊組Lasso與分層組Lasso進(jìn)行研究。首先,考慮到特征間相互重疊的問題,引入了重疊組Lasso邏輯回歸模型,根據(jù)重疊系數(shù)分解機(jī)制,將組內(nèi)重疊變量分解為潛在變量,以形成新的特征向量,采用組坐標(biāo)下降法求解模型參數(shù),通過仿真實驗與疾病特征基因選擇實驗,驗證重疊組Lasso較組Lasso的優(yōu)越性。其次,針對組Lasso罰向量自回歸模型中特征共用時滯的缺陷,引入分層組Lasso滑動平均向量自回歸模型,以達(dá)到實現(xiàn)系數(shù)分層稀疏的同時,捕捉時間序列特征誤差項在不同時期的依存關(guān)系。并通過兩段式估計以及鄰近梯度下降法求解參數(shù),通過對流層散射通信傳輸電平預(yù)測與腦電信號特征分類實驗,證明該模型在預(yù)... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

內(nèi)外生變量系數(shù)矩陣稀疏圖


本文編號：3485050