文件名称：correlation-constrained-regression:Linear，Ridge和Kernel Ridge回归的相关约束
文件大小：5.15MB
文件格式：ZIP
更新时间：2024-04-10 07:48:55
JupyterNotebook
相关约束回归 介绍了Linear ， Ridge和Kernel Ridge回归的相关约束。 以它们的标准形式，我们可以将这些模型公式化为形式的无约束优化问题 minimize L(y, yhat) 其中y是目标值，而yhat是预测值。通过添加相关约束并得出相关约束回归 minimize L(y, yhat) subject to |corr(y, e)| <= correlation_bound 其中corr是Pearson相关， e = y - yhat是残差，相关界限是控制最大允许相关量的超参数。结果模型已在Python和Matlab中实现。 Python 该模块提供三种型号， LinearRegression ， Ridge和KernelRidge 。它们使用额外的参数correlation_bound （介于0和1之间的值）扩展了的同名模型，该参数指定了目标和
【文件预览】：
correlation-constrained-regression-main
----correlation_constrained_regression.ipynb(714KB)
----pac2019_ICA_20201202.csv(7.12MB)
----analysis_tools.py(2KB)
----PAC2019_BrainAge_ICA_reduced.csv(5.23MB)
----run_roc_curve_train_test.py(2KB)
----activation_patterns.m(1KB)
----run_regression_analysis_train_test.py(7KB)
----run_regression_analysis.m(4KB)
----run_roc_curve.py(2KB)
----run_ADC_MAE_tradeoff_train_test.py(2KB)
----README.md(4KB)
----run_regression_analysis.py(6KB)
----run_ADC_MAE_tradeoff.py(2KB)
----correlation_constrained_regression.py(12KB)
----roc_curve_pac2019.pickle(479KB)