Lasso方法的提出為研究變量選擇開辟了新的道路,被很多專家學(xué)者運用以解決變量選擇問題。但是在實際應(yīng)用中Lasso方法存在兩個局限性,需要對Lasso方法進(jìn)行改進(jìn),減輕其在應(yīng)用中的限制。本文的主要工作有以下兩點:（1）針對單個數(shù)據(jù)集,研究了基于Logistic回歸模型的隨機(jī)Lasso方法,用于處理分類問題中的變量選擇,該方法由兩個主要的步驟組成。第一步,基于Logistic回歸模型的Lasso方法應(yīng)用于多個bootstrap樣本中,每個bootstrap樣本中使用一組隨機(jī)選擇的變量,這一步的作用是為每個變量生成重要性度量。第二步,與第一步的過程類似,不同之處在于對于每一個bootstrap樣本,隨機(jī)選擇變量的子集,其中變量的重要性度量決定了不同的選擇概率。通過從第二步中獲得的bootstrap結(jié)果的均值來確定最終的變量集合及其估計系數(shù)。基于Logistic回歸模型的隨機(jī)Lasso方法緩解了在微陣列數(shù)據(jù)分析情況下Lasso方法、Elastic-Net方法的一些限制,該方法傾向于選擇出全部高度相關(guān)的變量,特別是在系數(shù)符號不同的情況下,估計系數(shù)能夠保持最大的靈活性,并且所選變量的數(shù)量不再受樣... 

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀與發(fā)展
    1.3 主要研究內(nèi)容
第2章 Lasso方法的理論與求解算法
    2.1 Lasso方法的基本理論
    2.2 Lasso方法的求解算法
        2.2.1 KKT條件求解
        2.2.2 LQA算法
        2.2.3 最小角回歸算法
        2.2.4 坐標(biāo)下降法
    2.3 調(diào)節(jié)參數(shù)?的選擇
        2.3.1 K-折交叉驗證
        2.3.2 廣義交叉驗證
        2.3.3 BIC準(zhǔn)則
第3章 基于Logistic回歸模型的隨機(jī)Lasso方法
    3.1 Lasso-Logistic相關(guān)理論
        3.1.1 Logistic回歸模型
        3.1.2 Lasso-Logistic模型
        3.1.3 調(diào)節(jié)參數(shù)?的選取
    3.2 基于Logistic回歸模型的隨機(jī)Lasso方法
    3.3 模擬研究
    3.4 急性白血病基因表達(dá)數(shù)據(jù)分析
    3.5 本章小結(jié)
第4章 基于Meta分析的隨機(jī)Lasso方法
    4.1 引言
    4.2 基于Meta分析的隨機(jī)Lasso方法
    4.3 模擬研究
    4.4 實例分析
    4.5 本章小結(jié)
結(jié)論
附錄
參考文獻(xiàn)
致謝
研究生學(xué)位期間主要研究成果


【參考文獻(xiàn)】：
博士論文
[1]微陣列數(shù)據(jù)分析中的基因選擇及樣本分類方法研究[D]. 祁云嵩.南京理工大學(xué) 2011

碩士論文
[1]Elastic Net方法在幾類模型變量選擇中的應(yīng)用[D]. 黃登香.廣西大學(xué) 2014
[2]基于L2-Fused Lasso變量選擇方法的性質(zhì)及應(yīng)用研究[D]. 郝亞楠.北京交通大學(xué) 2014



本文編號：3646928