Lasso及改进的Lasso方法在几类模型变量选择中的应用

发布时间：2020-11-20 01:12

　　 随着近些年大数据时代的崛起,数据的分析和处理在社会科学、信息科学、生物学、医学和金融学等各大科学领域都日益受到重视,对数据本质特征的提取和模式发现成为一个重要的研究方向.面对海量的数据,我们需要建立合适的数学模型并挖掘出尽可能少而充分有效的数据来进行分析,运用到实际生活和工作中.Lasso方法是一种能够有效地处理高维数据,而且可以提高模型精确度的变量选择方法.它属于一类典型的系数压缩回归方法,即可以对多余的变量进行压缩变为0并筛除掉多余的变量,进而实现变量选择与对应参数的估计.对传统的模型选择方法来说,Lasso及改进的Lasso方法能够克服其在选择模型中的某些不足,Lasso方法及其改进方法在统计学理论方面以及在各类模型中的应用也受到了很大的重视.本文主要研究Lasso及改进的Lasso方法分别在BP神经网络模型、平衡纵向数据模型及半参数Logistic模型上变量选择的应用.第一部分,将Lasso方法与BP神经网络相结合,建立对广西城镇住房需求预测模型.通过分别对BP神经网络、基于主成分分析的BP神经网络以及基于Lasso方法的BP神经网络的结果进行比较和预测,说明基于Lasso方法的BP神经网络能够获得较好的预测效果.第二部分,探讨改进的Lasso方法在平衡纵向数据模型中的性质,研究其变量选择问题,并通过数值模拟将自适应弹性网方法的结果与Lasso、自适应Lasso和弹性网方法的结果进行对比,初步数值结果表明改进的Lasso方法所得的结果更准确.第三部分,主要研究基于改进的Lasso方法的半参数Logistic模型的变量选择问题,给出了该模型中未知参数和未知函数的估计方法,探讨了其估计问题.最后,利用Lasso方法、弹性网方法和自适应弹性网方法三种不同变量选择方法来进行比较分析,来说明自适应弹性网方法具有优良的变量选择效果.
【学位单位】：广西师范学院
【学位级别】：硕士
【学位年份】：2018
【中图分类】：O212.1;TP183
【部分图文】：

绍型的发展, BP神经网络与其他学科的结们的关注, 成为了当今的研究热点. 作应用前景也很好. 在医学界, 神经 在金融方面, 被应用于股票市场的涨用于模式识别、专家系统等. 下面对hart等[20]提出BP 神经网络(Back propa了隐含层, 如图 2.1 所示, 它可由输可以允许有多个隐含层节点. 对于给定神经网络对误差进行逆向传递, 并进多层网络的设想.

图 2.2 网络学习过程到的公式[36]:元的输出公式.1exp[()]11 miijijjWXZ 的求解公式.1exp[()]11 njjkjjkVZY 节公式 ()().'jttt o yfB接权值的调整公式 ()' jktt V o yf节公式 ()()(''1tnkijktt VoyfBf 接权值的调整公式()()()'' niijjktttttW VoyfBfAX
【参考文献】

相关期刊论文 前10条

1 李春红;黄登香;戴洪帅;;Adaptive Elastic Net方法在Logistic回归模型中的应用（英文）[J];工程数学学报;2015年05期

2 李春红;韦新星;;Elastic Net方法在Cox模型变量选择中的研究[J];西南大学学报(自然科学版);2015年07期

3 李春红;黄登香;覃朝勇;;一种改进的Lasso方法及其在对数线性模型中的应用[J];广西大学学报(自然科学版);2015年03期

4 李锋;盖玉洁;卢一强;;测量误差模型的自适应LASSO变量选择方法研究[J];中国科学:数学;2014年09期

5 李会民;王普;方丽英;闫健卓;;基于混合效应模型的纵向数据建模方法研究[J];内蒙古大学学报(自然科学版);2014年01期

6 葛怀志;张金隆;;湖北省城镇居民住房需求预测模型与实证[J];统计与决策;2013年10期

7 张鹤;肖泽干;;基于BP神经网络的房地产市场持续健康发展评价研究——以南昌市为例[J];赤峰学院学报(自然科学版);2013年03期

8 曲婷;王静;;基于Lasso方法的平衡纵向数据模型变量选择[J];黑龙江大学自然科学学报;2012年06期

9 王娉;郭鹏江;夏志明;;Logistic模型中参数的自适应Lasso估计[J];西北大学学报(自然科学版);2012年05期

10 崔静;郭鹏江;夏志明;;自适应Lasso在Poisson对数线性回归模型下的性质[J];西北大学学报(自然科学版);2011年04期

相关硕士学位论文 前6条

1 许丽庆;纵向数据模型的变量选择及其在网络营销中的应用[D];广西大学;2017年

2 王凤利;基于BP神经网络和DS证据理论的疾病预测模型研究[D];太原理工大学;2016年

3 张静;基于Lasso方法和BP神经网络的居民消费支出预测研究[D];湖南大学;2014年

4 周小玲;纵向二分类数据的半参数回归及改进的偏差检验[D];南京大学;2012年

5 卢颖;广义线性模型基于Elastic Net的变量选择方法研究[D];北京交通大学;2011年

6 尹超;基于半参数Logistic回归模型的我国财产保险公司偿付能力研究[D];天津财经大学;2010年

本文编号：2890712