论文部分内容阅读
针对高维群组变量下的分类问题,本文提出了一种基于MCP惩罚的AdaBoost集成剪枝逻辑回归模型(AdaMCPLR),将MCP函数同时应用于特征选择和集成剪枝,在简化模型的同时有效地提升了预测精度.由于传统的坐标下降算法效率较低,本文引用并改进了PICASSO算法使其能够应用于群组变量选择,大大提高了模型的求解效率.通过模拟实验,发现AdaMCPLR方法的变量选择和分类预测效果均优于其他预测方法.最后,本文将提出的AdaMCPLR方法应用于我国上市公司财务困境预测中.