¿Para qué problemas se utiliza la regresión neta elástica?

El modelo de regresión lineal múltiple representa la dependencia entre un fenómeno geográfico y muchos otros fenómenos geográficos. En este momento, muchos otros fenómenos geográficos tienen un impacto en un fenómeno geográfico al mismo tiempo. distribución y factor importante en el desarrollo.

Modelo disperso:

El modelo disperso elimina una gran cantidad de variables redundantes y retiene solo las variables explicativas más relevantes para la variable de respuesta, simplificando el modelo y conservando las más importantes en el conjunto de datos, resolviendo eficazmente muchos problemas en el modelado de conjuntos de datos de alta dimensión. Los modelos dispersos tienen una mejor interpretabilidad, facilitan la visualización de datos, reducen los cálculos y transfieren el almacenamiento.

En 1996, Tibshirani reemplazó el término de regularización de penalización de la norma L2 estimado mediante regresión de crestas con el término de regularización de penalización de la norma L1 y obtuvo Lasso (Operador de selección y contracción menos absoluta, Lasso). La penalización de la norma L1 tiene la capacidad de generar modelos dispersos. Lasso utiliza la penalización de la norma L1 como término de regularización y tiene funciones de selección de variables y funciones de reducción de dimensionalidad del espacio variable.

De hecho, antes de Lasso, se propusieron modelos de regresión puente y estimador de garrote no negativo que pueden producir escasas soluciones.

Sin embargo, debido a la falta de algoritmos de resolución eficientes, no ha atraído suficiente atención desde que se propusieron el modelo disperso de Lasso y el algoritmo LAR (regresión de ángulo mínimo, LAR) que puede resolverlo de manera efectiva. el modelo disperso Ha recibido una investigación extensa y profunda y gradualmente se ha vuelto popular en campos como el aprendizaje automático, la estadística matemática y la bioinformática.