隨著近些年大數(shù)據時代的崛起,數(shù)據的分析和處理在社會科學、信息科學、生物學、醫(yī)學和金融學等各大科學領域都日益受到重視,對數(shù)據本質特征的提取和模式發(fā)現(xiàn)成為一個重要的研究方向.面對海量的數(shù)據,我們需要建立合適的數(shù)學模型并挖掘出盡可能少而充分有效的數(shù)據來進行分析,運用到實際生活和工作中.Lasso方法是一種能夠有效地處理高維數(shù)據,而且可以提高模型精確度的變量選擇方法.它屬于一類典型的系數(shù)壓縮回歸方法,即可以對多余的變量進行壓縮變?yōu)?并篩除掉多余的變量,進而實現(xiàn)變量選擇與對應參數(shù)的估計.對傳統(tǒng)的模型選擇方法來說,Lasso及改進的Lasso方法能夠克服其在選擇模型中的某些不足,Lasso方法及其改進方法在統(tǒng)計學理論方面以及在各類模型中的應用也受到了很大的重視.本文主要研究Lasso及改進的Lasso方法分別在BP神經網絡模型、平衡縱向數(shù)據模型及半參數(shù)Logistic模型上變量選擇的應用.第一部分,將Lasso方法與BP神經網絡相結合,建立對廣西城鎮(zhèn)住房需求預測模型.通過分別對BP神經網絡、基于主成分分析的BP神經網絡以及基于Lasso方法的BP神經網絡的結果進行比較和預測,說明基于Lasso方法的BP神經網絡能夠獲得較好的預測效果.第二部分,探討改進的Lasso方法在平衡縱向數(shù)據模型中的性質,研究其變量選擇問題,并通過數(shù)值模擬將自適應彈性網方法的結果與Lasso、自適應Lasso和彈性網方法的結果進行對比,初步數(shù)值結果表明改進的Lasso方法所得的結果更準確.第三部分,主要研究基于改進的Lasso方法的半參數(shù)Logistic模型的變量選擇問題,給出了該模型中未知參數(shù)和未知函數(shù)的估計方法,探討了其估計問題.最后,利用Lasso方法、彈性網方法和自適應彈性網方法三種不同變量選擇方法來進行比較分析,來說明自適應彈性網方法具有優(yōu)良的變量選擇效果.
【學位單位】：廣西師范學院
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：O212.1;TP183
【部分圖文】：

紹型的發(fā)展, BP神經網絡與其他學科的結們的關注, 成為了當今的研究熱點. 作應用前景也很好. 在醫(yī)學界, 神經 在金融方面, 被應用于股票市場的漲用于模式識別、專家系統(tǒng)等. 下面對hart等[20]提出BP 神經網絡(Back propa了隱含層, 如圖 2.1 所示, 它可由輸可以允許有多個隱含層節(jié)點. 對于給定神經網絡對誤差進行逆向傳遞, 并進多層網絡的設想.

圖 2.2 網絡學習過程到的公式[36]:元的輸出公式.1exp[()]11 miijijjWXZ 的求解公式.1exp[()]11 njjkjjkVZY 節(jié)公式 ()().'jttt o yfB接權值的調整公式 ()' jktt V o yf節(jié)公式 ()()(''1tnkijktt VoyfBf 接權值的調整公式()()()'' niijjktttttW VoyfBfAX
【參考文獻】

相關期刊論文 前10條

1 李春紅;黃登香;戴洪帥;;Adaptive Elastic Net方法在Logistic回歸模型中的應用（英文）[J];工程數(shù)學學報;2015年05期

2 李春紅;韋新星;;Elastic Net方法在Cox模型變量選擇中的研究[J];西南大學學報(自然科學版);2015年07期

3 李春紅;黃登香;覃朝勇;;一種改進的Lasso方法及其在對數(shù)線性模型中的應用[J];廣西大學學報(自然科學版);2015年03期

4 李鋒;蓋玉潔;盧一強;;測量誤差模型的自適應LASSO變量選擇方法研究[J];中國科學:數(shù)學;2014年09期

5 李會民;王普;方麗英;閆健卓;;基于混合效應模型的縱向數(shù)據建模方法研究[J];內蒙古大學學報(自然科學版);2014年01期

6 葛懷志;張金隆;;湖北省城鎮(zhèn)居民住房需求預測模型與實證[J];統(tǒng)計與決策;2013年10期

7 張鶴;肖澤干;;基于BP神經網絡的房地產市場持續(xù)健康發(fā)展評價研究——以南昌市為例[J];赤峰學院學報(自然科學版);2013年03期

8 曲婷;王靜;;基于Lasso方法的平衡縱向數(shù)據模型變量選擇[J];黑龍江大學自然科學學報;2012年06期

9 王娉;郭鵬江;夏志明;;Logistic模型中參數(shù)的自適應Lasso估計[J];西北大學學報(自然科學版);2012年05期

10 崔靜;郭鵬江;夏志明;;自適應Lasso在Poisson對數(shù)線性回歸模型下的性質[J];西北大學學報(自然科學版);2011年04期

相關碩士學位論文 前6條

1 許麗慶;縱向數(shù)據模型的變量選擇及其在網絡營銷中的應用[D];廣西大學;2017年

2 王鳳利;基于BP神經網絡和DS證據理論的疾病預測模型研究[D];太原理工大學;2016年

3 張靜;基于Lasso方法和BP神經網絡的居民消費支出預測研究[D];湖南大學;2014年

4 周小玲;縱向二分類數(shù)據的半參數(shù)回歸及改進的偏差檢驗[D];南京大學;2012年

5 盧穎;廣義線性模型基于Elastic Net的變量選擇方法研究[D];北京交通大學;2011年

6 尹超;基于半參數(shù)Logistic回歸模型的我國財產保險公司償付能力研究[D];天津財經大學;2010年

本文編號：2890712