基于MCP惩罚的群组变量选择和AdaBoost集成剪枝

摘要：

针对高维群组变量下的分类问题,本文提出了一种基于MCP惩罚的AdaBoost集成剪枝逻辑回归模型(AdaMCPLR),将MCP函数同时应用于特征选择和集成剪枝,在简化模型的同时有效地提升了预测精度.由于传统的坐标下降算法效率较低,本文引用并改进了PICASSO算法使其能够应用于群组变量选择,大大提高了模型的求解效率.通过模拟实验,发现AdaMCPLR方法的变量选择和分类预测效果均优于其他预测方法.最后,本文将提出的AdaMCPLR方法应用于我国上市公司财务困境预测中.

关键词：AdaBoost;集成剪枝;双层变量选择;财务困境预测

所属期刊栏目：30

在线出版日期：2021-11-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：281-288