Sparse estimation based on square root nonconvex optimization in high-dimensional data

انتخاب متغیر نقش مهمی در ساخت مدل های پیش بینی شده ایفا می کند زمانی که داده های یک بعدی به نظر می رسد. با این حال، چگونگی انتخاب متغیرهای مهم از تعداد زیادی از متغیرهای نامزد، به طور موثر و دقیق، چالش مهمی برای محققان از زمینه های علمی مختلف از جمله یادگیری ماشین، ژنتیک، پزشکی و مالی است. در این مقاله، یک رویکرد جدید برای برآورد نادرست پیشنهاد شده است. این رویکرد، مزایای استفاده از تابع از دست رفته ریشه در مربع و مجازات غیر رسمی را برای به دست آوردن یک مدل قابل تفسیر با دقت پیش بینی بالا ترکیب می کند. به طور خاص، تابع از دست رفته ریشه می تواند انتخاب پارامترهای تنظیم را بر اساس سطح سر و صدایی که بسیار آسان است برای برآورد به عنوان تعدادی از متغیرها را افزایش می دهد؛ مجازات غیرانتقادی بیش از مجازات محدب از نظر انطباق انتخاب برتر است، به ویژه هنگامی که تعداد متغیرها بیش از اندازه نمونه است. در محاسبه، یک الگوریتم سریع و ساده برای پیاده سازی با تضمین تئوری همگرایی آن ایجاد شده است. علاوه بر این، یک روش شتاب دهنده شتابی برای افزایش سرعت همگرایی استفاده می شود و الگوریتم پیشنهاد شده به خوبی به داده های با ابعاد بزرگ معروف است. نمونه های شبیه سازی با اندازه نمونه های مختلف، ابعاد، ضرایب همبستگی، سطوح سر و صدا و نمونه های داده واقعی که بر روی مشکل انتخاب پرونده های میکرورایروس موش بیضوی قرار گرفته اند، برای نشان دادن کارایی و کارایی این روش جدید در مقایسه با سایر رقبای موجود نمایش داده می شود.