饱和样条和特征选择
摘要：扩展自适应回归样条模型，引入饱和性，即要求函数在某一范围外保持恒定。我们使用凸优化问题在一组度量空间上拟合饱和样条，我们使用基于条件梯度法的高效算法来解决该问题。与许多现有方法不同，我们的算法在没有预定节点位置的情况下解决了原始的无限维度（对于至少为2的样条）优化问题。然后，我们将我们的算法调整为使用饱和样条作为坐标函数来拟合广义可加模型，并展示了饱和性要求如何使我们的模型能够同时进行特征选择和非线性函数拟合。最后，我们简要概述了如何将该方法扩展到高阶样条和对数据范围之外的不同要求。
作者：Nicholas Boyd, Trevor Hastie, Stephen Boyd, Benjamin Recht, Michael Jordan
论文ID：1609.06764
分类：Machine Learning
分类简称：stat.ML
提交时间：2017-12-05