Câu hỏi được gắn thẻ «ridge-regression»

Một phương pháp chính quy cho các mô hình hồi quy thu nhỏ các hệ số về 0.




2
Tại sao là hồi quy sườn núi gọi là “núi”, tại sao nó cần thiết, và những gì sẽ xảy ra khi
Ridge hệ số hồi quy ước lượng β R là những giá trị mà giảm thiểuβ^Rβ^R\hat{\beta}^R RSS+λ∑j=1pβ2j.RSS+λ∑j=1pβj2. \text{RSS} + \lambda \sum_{j=1}^p\beta_j^2. Câu hỏi của tôi là: Nếu , sau đó chúng ta thấy rằng các biểu thức trên làm giảm đến RSS bình thường. Điều gì nếu bước sóng → …

5
Quan điểm thống nhất về độ co ngót: mối quan hệ (nếu có) giữa nghịch lý của Stein, hồi quy sườn và hiệu ứng ngẫu nhiên trong các mô hình hỗn hợp là gì?
Hãy xem xét ba hiện tượng sau đây. Nghịch lý của Stein: đưa ra một số dữ liệu từ phân phối chuẩn nhiều biến số trong Rn,n≥3Rn,n≥3\mathbb R^n, \: n\ge 3 , mẫu trung bình không phải là một ước lượng rất tốt của giá trị trung bình thật sự. …


3
Tại sao ước tính sườn núi trở nên tốt hơn OLS bằng cách thêm một hằng số vào đường chéo?
Tôi hiểu rằng ước tính hồi quy sườn núi là giảm thiểu tổng bình phương còn lại và hình phạt đối với kích thước củaββ\betaββ\beta βridge=(λID+X′X)−1X′y=argmin[RSS+λ∥β∥22]βridge=(λID+X′X)−1X′y=argmin⁡[RSS+λ‖β‖22]\beta_\mathrm{ridge} = (\lambda I_D + X'X)^{-1}X'y = \operatorname{argmin}\big[ \text{RSS} + \lambda \|\beta\|^2_2\big] Tuy nhiên, tôi không hiểu đầy đủ ý nghĩa của thực tế là …









Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.