تشخیص مشاهدات موثر برای رگرسیون بعد بالا

استفاده از روش های درستنمایی تاوانیده با تکثیر مجموعه داده های بعد بالا گسترش یافته است. با این وجود، هنگامی که تعداد مشاهدات در مقایسه با تعداد متغیرهای کمکی نسبتا کم است، هر مشاهده ای به طور بالقوه می تواند تاثیر بسزایی روی انتخاب مدل و استنباط داشته باشد. بنابراین، شناسایی و ارزیابی مشاهدات موثر در روش های تاوانیده مهم است. در این مقاله، معیارهای تاثیر برای تشخیص مشاهدات موثر در رگرسیون لاسو بعد بالا که اخیرا معرفی شده اند، مرور می شوند. سپس، این معیارها تحت روش الاستیک نت که برای بهبود پیش بینی های مدل، ویژگی حذف از لاسو و کاهش ضرایب از ریج را ترکیب کرده، بررسی می شوند. از طریق شبیه سازی و مجموعه داده های واقعی نشان داده می شود که معیارهای تاثیر معرفی شده به طور کارآمد مشاهدات موثر را شناسایی می کنند و می توانند به آشکارسازی روابط پنهان در داده ها کمک کنند.