带误差控制的高维交互模型拟合
统计方法学
2020-02-19 v4
摘要
多项式回归以识别特征间显著交互作用的形式重新受到关注。在许多场景中，这发生在高维模型中，使得交互作用的数量变得难以处理或计算上不可行。此外，直接分析此类空间很困难，因为它们通常高度相关。标准的特征选择问题依然存在，例如如何确定一个泛化良好的最终模型。本文通过一种称为 Revisiting Alpha-Investing (RAI) 的顺序算法解决了这些问题。RAI 受边际性原则驱动，通过在低阶项基础上贪婪地构建来搜索高阶交互作用的特征空间。RAI 控制了一种错误拒绝的概念，并提供了相对于最佳子集模型的性能保证。这确保了在识别信号的同时提供了有效的停止准则以防止过度选择。我们将 RAI 应用于一族回归的新场景中，以选择用于差异表达谱分析的基因特异性交互模型。
引用
@article{arxiv.1510.06322,
title = {Fitting High-Dimensional Interaction Models with Error Control},
author = {Kory D. Johnson and Robert A. Stine and Dean P. Foster},
journal= {arXiv preprint arXiv:1510.06322},
year = {2020}
}