TA的每日心情 | 开心
2020-8-5 15:09 |
|---|
签到天数: 1 天 [LV.1]初来乍到
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘 要： 稀疏性与组稀疏性在统计学、信号处理和机器学习等领域中具有重要的应用．本文总结和分析了不同 组稀疏模型之间的区别与联系，比较了不同组稀疏模型的变量选择能力、变量组选择能力、变量选择一致性和变量组 选择一致性，总结了组稀疏模型的各类求解算法并指出了各算法的优点和不足．最后，本文对组稀疏模型未来的研究 方向进行了探讨． 0 ?% P9 t8 }2 ^( W# w. ^% S
w7 t4 [1 q* n, N/ V8 k
关键词： 稀疏性；组稀疏性；变量选择；变量组选择；一致性
) \3 }- ~- y- D* N2 {/ z" A$ [; c# u" w
& O* h, x2 b# l0 y
8 G7 `2 G' C4 D& N7 s6 q/ r
/ N7 x) Q7 C( M在数理统计、模式识别、机器学习、信号处理、计算 机视觉和生物信息学等领域，处理的数据集往往为高维 或超高维的，且这些高维数据集通常还具有复杂的结 构．虽然数据集的变量空间维数非常大，维数可从几百 维到上万维，但只有一小部分变量与要预测的输出变量 相关，其余大部分变量为噪声变量．而且相对于变量数 来说，样本数很小，直接使用最小二乘等传统的建模工 具，得到的是数值计算病态问题，因此变量选择问题显 得尤为重要。6 T" n4 ^8 P! F0 S- i$ N1 z0 }( {6 N/ E
" `4 F5 D, e X' ?7 \5 C
" b: U2 ]* b( m% e( J7 N
附件下载：. i4 C7 @: N6 M8 ^* h6 V b/ ]
|
|
/1 
发表于 2021-1-13 10:33
收藏
淘帖
支持！
反对！