特征选择与稀疏学习¶
约 168 个字 预计阅读时间 1 分钟
1.子集搜索与评价¶
2.过滤式选择¶
Relief
3.包裹式选择¶
LVW(Las Vegas Wrapper)
4.嵌入式选择与L1正则化¶
LASSO——可通过近端梯度下降求解(PGD)
ridge regression
5.稀疏表示与字典学习¶
“稀疏表示”(sparse representation)近年来很受关注，但即便对多元线性回归这样简单的模型，获得具有最优“稀疏性”(sparsity)的解也并不容易。稀疏性问题本质上对应了L0范数的优化，这在通常条件下是NP难问题。LASSO通过L1范数来近似L0范数，是求取稀疏解的重要技术。