Dense Truths, Sparse Estimators: Making Lasso Work for Dense-Signal Logistic Regression
यह शोध पत्र डेंस-सिग्नल हाई-डायमेंशनल सेटिंग्स में रिज (Ridge) रिग्रेशन के लिए पारंपरिक प्राथमिकता को इस तर्क के साथ चुनौती देता है कि लासो (Lasso) का खराब प्रदर्शन इसके अंतर्निहित दोषों के बजाय उप-इष्टतम ट्यूनिंग (suboptimal tuning) के कारण है, और एक नवीन पोस्टीरियर-प्रेडिक्टिव पेनल्टी सेलेक्टर पेश करता है जो लासो को रिज रिग्रेशन के तुलनीय या उससे अधिक भविष्य कहनेवाला सटीकता प्राप्त करने में सक्षम बनाता है, जबकि इसकी महत्वपूर्ण वेरिएबल सिलेक्शन क्षमताओं को भी बनाए रखता है।