Dense Truths, Sparse Estimators: Making Lasso Work for Dense-Signal Logistic Regression
تتحدى هذه الورقة البحثية التفضيل التقليدي لنموذج انحدار "ريدج" (Ridge regression) في الإعدادات عالية الأبعاد ذات الإشارات الكثيفة، من خلال إثبات أن ضعف أداء نموذج "لاسو" (Lasso) ينبع من الضبط غير الأمثل وليس من عيوب جوهرية، وتقدم مبتكرًا لمحدد عقوبة التنبؤ البعدي الذي يمكّن "لاسو" من تحقيق دقة تنبؤية تضاهي أو تتجاوز انحدار "ريدج" مع الاحتفاظ بقدراته الحاسمة في اختيار المتغيرات.