换一批惩罚logistic回归方法在SNPs数据变量筛选研究中的应用
Application of penalized logistic regression methods to the variable selection of SNPs data
摘要目的 比较L1正则化、L2正则化和弹性网三种惩罚logistic回归对SNPs数据的变量筛选能力. 方法 根据所设置的参数生成不同条件的SNPs仿真数据,利用正确率、错误率和正确指数从三个方面评价三种惩罚logistic回归的变量筛选能力. 结果 正确率表现为L2正则化惩罚logistic回归＞弹性网惩罚logistic回归＞L1正则化惩罚logistic回归;错误率表现为L2正则化惩罚logistic回归＞弹性网惩罚logistic回归＞L1正则化惩罚logistic回归;正确指数则表现为弹性网惩罚logistic回归＞L1正则化惩罚logistic回归＞L2正则化惩罚logistic回归. 结论 综合来看弹性网的筛选能力更优,弹性网融合L1、L2两种正则化的思想,在高维数据分析中既能保证模型的稀疏性,便于结果的解释,又解决了具有相关性自变量不能同时进入模型的问题.
更多相关知识
关键词
惩罚logistic回归L1正则化L2正则化弹性网正确指数Penlized logistic regressionL1 regularizationL2 regularizationElastic netCorrect index
栏目名称
DOI
10.3969/j.issn.1006-3110.2016.11.034
发布时间
2016-12-15（万方平台首次上网日期，不代表论文的发表时间）
- 浏览125
- 被引8
- 下载35
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
