The Group Lasso for Logistic Regression
Logistic 回归中的组 LassoAI 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：摘要聚焦通用 Logistic 变量选择与 DNA 分类应用，未描述经济离散选择行为或其他所列细分问题，分类证据不足。
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…
Logistic 回归中的组 Lasso
- 研究问题
- 如何将按预定义变量组进行选择的组 Lasso 扩展至 Logistic 回归，并在高维稀疏情形下兼顾计算与统计性质？
- 方法与思路
- 作者构造 Logistic 组 Lasso 及适用于广义线性模型的凸优化算法，再引入追求更稀疏模型、可构造层级估计的两阶段程序。
- 材料陈述的贡献
- 摘要称，稀疏真结构下即使变量数远大于样本量也可获得统计一致性；两阶段方法在部分情形改善预测，并有模拟及 DNA 应用。
- 阅读关注点
- 应核对组的定义与惩罚标度、高维一致性的具体含义和条件，以及两阶段选择、层级约束和预测比较的设置。
- 阅读边界
- 仅据所给 Crossref 摘要；一致性不等于必然正确选组，部分案例的预测改善也不构成普遍优势，调参和条件未说明。
原文摘要
Summary The group lasso is an extension of the lasso to do variable selection on (predefined) groups of variables in linear regression models. The estimates have the attractive property of being invariant under groupwise orthogonal reparameterizations. We extend the group lasso to logistic regression models and present an efficient algorithm, that is especially suitable for high dimensional problems, which can also be applied to generalized linear models to solve the corresponding convex optimization problem. The group lasso estimator for logistic regression is shown to be statistically consistent even if the number of predictors is much larger than sample size but with sparse true underlying structure. We further use a two-stage procedure which aims for sparser models than the group lasso, leading to improved prediction performance for some cases. Moreover, owing to the two-stage nature, the estimates can be constructed to be hierarchical. The methods are used on simulated and real data sets about splice site detection in DNA sequences.