Dense Truths, Sparse Estimators: Making Lasso Work for Dense-Signal Logistic Regression
Este artigo desafia a preferência convencional pela regressão Ridge em configurações de alta dimensionalidade com sinal denso ao demonstrar que o baixo desempenho do Lasso decorre de uma sintonia subótima e não de falhas inerentes, e introduz um novo seletor de penalidade pós-preditiva que permite ao Lasso alcançar uma acurácia preditiva comparável ou superior à da regressão Ridge, mantendo simultaneamente suas capacidades cruciais de seleção de variáveis.