线性回归，通过lasso进行收缩和选择回归

求解Lasso问题的共轭梯度法和Nesterov型算法.pdf

09回归大家族：线性回归，岭回归，Lasso与多项式回归.7z

一汽套索 用于快速且可扩展的套索回归的随机Frank-Wolfe算法（C ++代码） 免责声明： 仅在GNU通用公共许可证下，该软件可用于非商业研究目的。 然而，尽管GNU通用公共许可证的任何规定，该软件可能无法接触后用于商业用途的明确书面许可和 。 主要开发商： 埃马努埃莱Frandi（ ），里卡多Nanculef（ ） 参考： Frandi E.，Nanculef R.，Lodi S.，Sartori C.，Seykens JAK，“通过具有随机性保证的随机Frank-Wolfe方法进行快速可扩展的套索”，内部报告15-93，ESAT-STADIUS，库鲁汶，2015 。

岭回归和Lasso回归 需要数据的请私信我

LassoADMM：我们的论文“边缘计算中的协作回归学习的分布式ADMM方法”的源代码

基于R语言lars包的改写，详细实现lasso模型和adaptive lasso模型，并使用两个模型分别研究了幸福指数的影响因素，得出：Adaptive lasso模型具有更强的Oracle性质。

讲述了 基于高斯图模型下 对逆稀疏协方差矩阵的估计算法。

pyHSICLasso pyHSICLasso是希尔伯特·施密特（Hilbert Schmidt）独立标准套索（HSIC Lasso）的软件包，这是一种考虑了非线性输入和输出关系的黑匣子（非线性）特征选择方法。 HSIC Lasso可以看作是广泛使用的最小冗余最大相关性（mRMR）特征选择算法的凸变体。 HSIC套索的优势 可以有效地找到与非线性相关的特征。 可以找到非冗余功能。 可以获得全局最优的解决方案。 可以通过内核处理回归和分类问题。 功能选择 监督性特征选择的目标是找到负责预测输出值的输入特征子集。 通过使用它，您可以补充非线性输入和输出的依赖性，并且可以有效地计算高维问题的最优解。 通过针对数以千计的特征进行分类和回归的特征选择实验证明了其有效性。 在许多实际应用中，例如从微阵列数据中选择基因，文档分类和假体控制，在高维监督学习中寻找功能的子集是一个重要的问题。 安装

Statistical Learning with Sparsity - The Lasso and Generalizations