摘要 | 第3-4页 |
Abstract | 第4页 |
第一章 绪论 | 第10-21页 |
1.1 研究背景与意义 | 第10-11页 |
1.2 线性变换降维方法 | 第11-14页 |
1.2.1 主成分分析 | 第11-12页 |
1.2.2 多维尺度分析 | 第12页 |
1.2.3 线性判别分析 | 第12-13页 |
1.2.4 独立成分分析 | 第13-14页 |
1.3 嵌入法 | 第14-18页 |
1.3.1 基于惩罚项的特征选择法 | 第14-15页 |
1.3.2 树模型特征选择法 | 第15-18页 |
1.4 国内研究综述 | 第18-19页 |
1.5 主要创新点 | 第19页 |
1.6 文章结构 | 第19-21页 |
第二章 Lasso方法的应用与研究现状 | 第21-28页 |
2.1 Lasso方法概述 | 第21页 |
2.2 Lasso方法应用现状 | 第21-28页 |
2.2.1 SCAD | 第22页 |
2.2.2 弹性网络 | 第22-23页 |
2.2.3 自适应lasso | 第23-24页 |
2.2.4 Relaxed lasso | 第24-25页 |
2.2.5 Fused lasso | 第25-26页 |
2.2.6 Graphical lasso | 第26页 |
2.2.7 树结构Lasso | 第26-28页 |
第三章 基于Sparse group lasso相关惩罚项的特征选择研究 | 第28-39页 |
3.1 Group lasso | 第28-29页 |
3.2 Sparse group lasso | 第29-32页 |
3.3 基于Sparse group lasso的相关惩罚项特征选择法 | 第32-39页 |
3.3.1 算法步骤 | 第36页 |
3.3.2 扩展的线性模型 | 第36-37页 |
3.3.3 数值例子 | 第37-39页 |
第四章 基于数据共享的Lasso方法 | 第39-50页 |
4.1 数据丰富型线性回归 | 第39-40页 |
4.2 数据共享型Lasso | 第40-41页 |
4.3 算法的应用 | 第41-50页 |
第五章 总结和展望 | 第50-52页 |
5.1 主要研究 | 第50页 |
5.2 未来的发展方向 | 第50-52页 |
参考文献 | 第52-56页 |
致谢 | 第56页 |