Dense Truths, Sparse Estimators: Making Lasso Work for Dense-Signal Logistic Regression
Diese Arbeit stellt die konventionelle Bevorzugung der Ridge-Regression in hochdimensionalen Settings mit dichten Signalen in Frage, indem sie aufzeigt, dass die Unterleistung von Lasso auf eine suboptimale Abstimmung und nicht auf inhärente Mängel zurückzuführen ist, und führt einen neuartigen posterior-prädiktiven Penalty-Selektor ein, der es Lasso ermöglicht, eine Vorhersagegenauigkeit zu erreichen, die mit der der Ridge-Regression vergleichbar oder ihr überlegen ist, während es gleichzeitig seine entscheidenden Fähigkeiten zur Variablenselektion beibehält.