經(jīng)典邏輯回歸使用最大似然方法來估計模型,在面對p?9)的高維問題時,計算方法失靈。為了得到可解釋的精確模型,必須提出能夠有效選擇重要影響變量的方法。在一些工程和科學(xué)應(yīng)用中,預(yù)測變量存在分組情況�，F(xiàn)有方法可以根據(jù)變量已知的分組情況進行變量選擇,在剔除不重要變量的同時,對重要變量的影響進行估計,取得了較好效果。但是在大多數(shù)問題中,我們無法預(yù)先得知分組信息,因此我們希望能夠突破分組已知這一要求限制。在線性回歸下,已有聚類彈性網(wǎng)方法,能夠通過變量之間的相關(guān)性和與響應(yīng)變量的相關(guān)性,從數(shù)據(jù)中推斷出特征聚類,針對未知分組的情況進行變量選擇。本文結(jié)合線性回歸下聚類彈性網(wǎng)方法的思想,提出了邏輯回歸下的聚類彈性網(wǎng)方法,使得在邏輯回歸存在未知分組的情況下,可以從數(shù)據(jù)本身中估計出組或者聚類信息,實現(xiàn)邏輯回歸下對于分組未知情況變量和分組的選擇。該方法的主要思想在于,對回歸系數(shù)進行懲罰的同時,引入了一個新的聚類懲罰項,使得一個聚類內(nèi)的系數(shù)有選擇地向彼此收縮,而不是向原點收縮。本文還提出了相應(yīng)的算法,并用數(shù)據(jù)模擬了它的表現(xiàn)以及和其他方法的對比。

【文章頁數(shù)】：40 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 簡介
第2章 線性邏輯回歸模型估計
    2.1 經(jīng)典邏輯回歸
    2.2 高維邏輯回歸下的變量選擇
    2.3 分組已知的高維邏輯回歸
第3章 高維線性回歸下變量分組方法
    3.1 分組lasso方法
    3.2 經(jīng)典彈性網(wǎng)方法
    3.3 線性回歸下的聚類彈性網(wǎng)方法
第4章 高維邏輯回歸下的聚類彈性網(wǎng)方法
    4.1 方法提出
    4.2 算法介紹
    4.3 數(shù)據(jù)模擬
結(jié)論
參考文獻
附錄
致謝



本文編號：3804897