利用经验协方差矩阵增强含缺失信息线性模型的预测精度
机器学习
2017-07-26 v3 统计方法学
摘要
缺失信息 (MI) 场景下的推断与估计是统计学习理论与机器学习 (ML) 中的重要课题。在 ML 文献中，已有通过精确特征选择方法增强预测的尝试。在稀疏线性模型中，LASSO 以提取信号的期望支撑并抵抗噪声系统而闻名。当稀疏模型同时受 MI 影响时，稀疏恢复与缺失模型的推断被同时考虑。在本文中，我们将引入一种结合稀疏回归与协方差矩阵估计的方法，以提高矩阵补全精度，从而增强特征选择精确性，进而降低预测均方误差 (MSE)。我们将比较在特征选择中采用协方差矩阵与不采用协方差矩阵对提升估计精度的影响。仿真表明，相较于不使用协方差矩阵估计的情况，性能有所提升。
引用
@article{arxiv.1611.07093,
title = {Using Empirical Covariance Matrix in Enhancing Prediction Accuracy of Linear Models with Missing Information},
author = {Ahmadreza Moradipari and Sina Shahsavari and Ashkan Esmaeili and Farokh Marvasti},
journal= {arXiv preprint arXiv:1611.07093},
year = {2017}
}