Dense Truths, Sparse Estimators: Making Lasso Work for Dense-Signal Logistic Regression
Questo articolo contesta la convenzionale preferenza per la regressione Ridge in contesti ad alta dimensionalità con segnale denso, dimostrando che la scarsa prestazione di Lasso deriva da una sintonizzazione subottimale piuttosto che da difetti intrinseci, e introduce un nuovo selettore di penalità posteriore-predittiva che consente a Lasso di raggiungere un'accuratezza predittiva comparabile o superiore a quella della regressione Ridge, mantenendo al contempo le sue cruciali capacità di selezione delle variabili.