首页--数理科学和化学论文--概率论与数理统计论文--数理统计论文

高维数据变量选择的几点研究

摘要第5-6页
Abstract第6页
符号说明第8-9页
第一章 前言第9-15页
    1.1 研究背景第9-13页
    1.2 本文结构第13-15页
第二章 Cox模型的LASSO估计量的Oracle不等式第15-31页
    2.1 带l_1惩罚的Cox模型第15-17页
        2.1.1 带l_1惩罚的最大偏似然估计第15-16页
        2.1.2 Karush-Kuhn-Tucker条件第16页
        2.1.3 附加记号第16-17页
    2.2 Oracle不等式第17-24页
    2.3 限制特征值及其他相关量第24-29页
    2.4 总结第29-31页
第三章 APPLE:带惩罚的似然函数估计量的近似路径第31-53页
    3.1 对于LASSO的APPLE第31-35页
        3.1.1 问题提出第31-32页
        3.1.2 惩罚变量格点第32页
        3.1.3 更新第32-33页
        3.1.4 停止规则第33-34页
        3.1.5 算法总结第34页
        3.1.6 惩罚参数选择第34-35页
    3.2 带MCP惩罚的APPLE算法第35-38页
        3.2.1 问题提出第35页
        3.2.2 惩罚参数的格点第35-36页
        3.2.3 更新第36-38页
        3.2.4 停止规则第38页
        3.2.5 算法总结第38页
        3.2.6 惩罚参数选择第38页
    3.3 模拟结果第38-42页
        3.3.1 Logistic回归第39-42页
        3.3.2 Poisson回归第42页
    3.4 应用第42-45页
    3.5 总结第45-46页
    3.6 附录第46-53页
        3.6.1 Logistic回归第46-49页
        3.6.2 Poisson回归第49-53页
第四章 带有LASSO惩罚项高维线性模型交叉验证的修正办法第53-65页
    4.1 模型假设第53-54页
    4.2 修正的交叉验证准则第54-57页
    4.3 模拟第57-63页
    4.4 实际数据分析第63页
    4.5 讨论第63-65页
第五章 高维数据变量选择中惩罚参数选择的相合交叉验证方法第65-85页
    5.1 模型假设和条件第65-69页
        5.1.1 GLM的惩罚似然估计第65-66页
        5.1.2 路径解算法的交叉验证第66-67页
        5.1.3 条件第67-69页
    5.2 高维数据交叉验证的渐近表现第69-74页
        5.2.1 相合率第69-70页
        5.2.2 收缩影响第70-73页
        5.2.3 交叉验证中的K重数据分组策略第73-74页
        5.2.4 总结第74页
    5.3 相合交叉验证第74-75页
    5.4 模拟第75-76页
        5.4.1 线性回归第75-76页
        5.4.2 Logistic回归第76页
    5.5 实际数据分析第76-78页
        5.5.1 眼睛疾病的基因表达数据第76-77页
        5.5.2 白血病数据第77-78页
    5.6 讨论第78页
    5.7 附录第78-85页
        5.7.1 引理5.2.2的证明第78-79页
        5.7.2 定理5.2.4的证明第79-81页
        5.7.3 对固定维数的GLM的交叉验证第81-85页
参考文献第85-93页
作者已发表或己完成的论文第93-95页
致谢第95-96页

论文共96页,点击 下载论文
上一篇:城市入侵害虫悬铃木方翅网蝽对高温胁迫的耐受性及其生理机制
下一篇:中国居民消费不振与国民收入分配格局失衡研究