VIF Regression: A Fast Regression Algorithm for Large Data
VIF回归：面向大规模数据的快速回归算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用大规模回归变量选择，未限定宏观预测、收益预测或其他所列应用方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
VIF回归：面向大规模数据的快速回归算法
- 研究问题
- 在大规模回归问题中，如何快速筛选预测变量，同时限制错误发现与过拟合，并保持有竞争力的估计准确性？
- 方法与思路
- 作者提出VIF回归，对预测变量进行单遍搜索，并以计算高效的检验决定是否将每个候选变量加入模型。
- 材料陈述的贡献
- 摘要称，算法控制边际错误发现率并避免过拟合；数值比较显示速度更快，准确性接近表现最好的较慢算法。
- 阅读关注点
- 应核对错误发现率控制的条件、变量搜索顺序和检验机制，以及速度与准确性比较采用的数据、指标和基准。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；理论条件和数值设置未提供，摘要的速度与准确性优势不能视为普遍保证。
原文摘要
We propose a fast and accurate algorithm, VIF regression, for doing feature selection in large regression problems. VIF regression is extremely fast; it uses a one-pass search over the predictors and a computationally efficient method of testing each potential predictor for addition to the model. VIF regression provably avoids model overfitting, controlling the marginal false discovery rate. Numerical results show that it is much faster than any other published algorithm for regression with feature selection and is as accurate as the best of the slower algorithms.