Observatorio de I+D+i UPM

Memorias de investigación
Artículos en revistas:
Lazy lasso for local regression
Año:2012
Áreas de investigación
  • Inteligencia artificial
Datos
Descripción
Locally weighted regression is a technique that predicts the response for new data items from their neighbors in the training data set, where closer data items are assigned higher weights in the prediction. However, the original method may suffer from overfitting and fail to select the relevant variables. In this paper we propose combining a regularization approach with locally weighted regression to achieve sparse models. Specifically, the lasso is a shrinkage and selection method for linear regression. We present an algorithm that embeds lasso in an iterative procedure that alternatively computes weights and performs lasso-wise regression. The algorithm is tested on three synthetic scenarios and two real data sets. Results show that the proposed method outperforms linear and local models for several kinds of scenarios.
Internacional
Si
JCR del ISI
Si
Título de la revista
Computational Statistics
ISSN
0943-4062
Factor de impacto JCR
0,276
Información de impacto
Volumen
27
DOI
Número de revista
3
Desde la página
531
Hasta la página
550
Mes
SIN MES
Ranking
Esta actividad pertenece a memorias de investigación
Participantes
  • Autor: Diego Vidaurre Henche (UPM)
  • Autor: Maria Concepcion Bielza Lozoya (UPM)
  • Autor: Pedro Maria Larrañaga Mugica (UPM)
Grupos de investigación, Departamentos, Centros e Institutos de I+D+i relacionados
  • Creador: Grupo de Investigación: COMPUTATIONAL INTELLIGENCE GROUP
  • Departamento: Inteligencia Artificial
S2i 2021 Observatorio de investigación @ UPM con la colaboración del Consejo Social UPM
Cofinanciación del MINECO en el marco del Programa INNCIDE 2011 (OTR-2011-0236)
Cofinanciación del MINECO en el marco del Programa INNPACTO (IPT-020000-2010-22)