科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的多元回归方法如偏最小二乘回归(PLSR)、主成分回归(PCA)等通常将所有的变量都用于建立回归模型,这导致模型比较复杂而且也难以解释。在高维或大样本的数据环境下,为了增强模型的可解释,通过找到显著影响模型的一小部分变量或小部分样本来减少模型复杂性。因此需要引入"稀疏化"方法,将校正模型中许多特征对应的回归系数设为0,仅回归系数不为0的特征会出现最终的校正模型中,旨在找出一些对模型具有显著影响的特征,忽略对模型影响不大的特征。本文讨论了回归问题中稀疏化方法及其在光谱分析的应用,给出了稀疏化模型和求解算法的一个综述,介绍了稀疏化方法在光谱学中进行波段选择和样本选择中的应用。
- 出版日期2017
- 单位扬州大学; 化学化工学院
