文件名称：L0Learn:L0正则化学习的高效算法
文件大小：376KB
文件格式：ZIP
更新时间：2024-05-21 15:33:14
machine-learning compressed-sensing feature-selection regularization sparse-regression
L0Learn：快速最佳子集选择 侯赛因·哈齐梅（Hussein Hazimeh），拉胡尔·马祖德（Rahul Mazumder）和蒂姆·诺内（Tim Nonet） 麻省理工学院 从Rstudio下载： 介绍 L0Learn是解决L0正规学习问题的高效框架。 它可以（大约）解决以下三个问题，其中经验损失受到L0，L1和L2范数的组合的惩罚： 我们支持回归（使用平方误差损失）和分类（使用逻辑或平方铰链损失）。 通过对正则化参数值的网格进行坐标下降和局部组合搜索来完成优化。 使用多种计算技巧和启发式方法来加快算法速度并提高解决方案质量。 这些启发式方法包括热启动，活动集收敛，相关性筛选，贪婪的循环顺序，以及通过利用稀疏性和问题维度来更新残差的有效方法。 此外，我们采用了一种新的计算有效方法来动态选择路径中的正则化参数λ。 我们在论文中描述算法的细节：快速最佳子集选择：协调下降和局部组合优化算
【文件预览】：
L0Learn-master
----vignettes()
--------L0Learn-vignette.Rmd(20KB)
--------profile()
----NAMESPACE(563B)
----DESCRIPTION(1KB)
----src()
--------Test_Interface.cpp(3KB)
--------CDL012Swaps.cpp(4KB)
--------BetaVector.cpp(3KB)
--------Grid1D.cpp(8KB)
--------profile.cpp(338B)
--------Makevars(92B)
--------Normalize.cpp(666B)
--------Interface.cpp(17KB)
--------CDL012SquaredHingeSwaps.cpp(5KB)
--------Makevars.win(141B)
--------Grid.cpp(2KB)
--------Grid2D.cpp(4KB)
--------CDL012LogisticSwaps.cpp(7KB)
--------RcppExports.cpp(28KB)
--------utils.cpp(3KB)
--------Makevars.in(118B)
--------include()
----R()
--------genhighcorr.R(2KB)
--------fit.R(15KB)
--------coef.R(2KB)
--------plot.R(3KB)
--------L0Learn.R(2KB)
--------RcppExports.R(5KB)
--------print.R(533B)
--------cvfit.R(10KB)
--------gensynthetic.R(1KB)
--------predict.R(2KB)
----configure(115KB)
----.travis.yml(254B)
----.Rbuildignore(57B)
----LICENSE(45B)
----README.md(5KB)
----.astylerc(168B)
----configure.ac(4KB)
----man()
--------plot.L0Learn.Rd(749B)
--------L0Learn.cvfit.Rd(6KB)
--------GenSynthetic.Rd(1KB)
--------predict.L0Learn.Rd(2KB)
--------L0Learn-package.Rd(2KB)
--------L0Learn.fit.Rd(7KB)
--------coef.L0Learn.Rd(1KB)
--------GenSyntheticHighCorr.Rd(1KB)
--------print.L0Learn.Rd(398B)
--------plot.L0LearnCV.Rd(858B)
----tests()
--------testthat()
--------testthat.R(42B)
----misc()
--------L0Learn-Logo.PNG(12KB)
--------eqs.png(235KB)
----.gitignore(201B)
----cleanup(46B)
----ChangeLog(1KB)