Dense Truths, Sparse Estimators: Making Lasso Work for Dense-Signal Logistic Regression
Este artículo desafía la preferencia convencional por la regresión Ridge en entornos de alta dimensión con señal densa al demostrar que el bajo rendimiento de Lasso proviene de un ajuste subóptimo en lugar de fallos inherentes, e introduce un novedoso selector de penalización predictiva posterior que permite a Lasso lograr una precisión predictiva comparable o superior a la de la regresión Ridge mientras retiene sus capacidades cruciales de selección de variables.