Lasso

摘要： 宫颈癌是世界上严重危害女性健康的恶性肿瘤之一,所幸的是,这种疾病是可以预防的。预防或早期发现是一个具有挑战性的难题,本文利用Lasso方法、Adaptive Lasso方法、Elastic net方法和Adaptive Elastic net方法通过宫颈癌行为风险数据集建立Logistic模型,以帮助进行宫颈癌早期检测和筛查。从实验结果看,Lasso方法表现更优。

摘要： 碳交易作为实现低碳经济的一种途径,既具有环境效益,又具有经济效益。为了研究碳排放权价格的影响因素,选取广州碳排放权交易所的碳配额价格收盘价(GDEA)为研究对象,从6个维度构建了24个指标:国际碳价、国内外经济指标、国外能源指标、国内能源指标、气候环境和宏观政策,并将指标间复杂的相关关系纳入模型来改进指标筛选效果。首先基于复杂网络理论构建了24个指标的图结构,表示它们的复杂联动关系,再建立图结构自适应Lasso方法(G-AdLasso)进行影响因素识别。研究发现:指标之间存在无可忽视的中等或高度相关,依据两两相关关系建立图结构时,上述24个指标可被分为6个团体,体现了指标的内部关系。同时G-AdLasso选择出了10个因素,其中欧盟核证减排量收盘价影响最为显著,欧盟EUA收盘价、迪拜原油现货价、美元兑人民币中间价4个因素对GDEA有正向影响;欧盟CER收盘价、NYMEX天然气期货收盘价、欧洲三港DES ARA动力煤指数、广州工业天然气市场价、广州日最高气温、银行间7日同业拆借平均利率、欧元兑人民币中间价7个因素对GDEA有负向作用;这些因素在上述6个维度上均有涉及,且它们在图结构中具有较高的度,说明G-AdLasso可识别出图结构中较重要的指标。对比不带图结构的自适应Lasso和Lasso方法,G-AdLasso方法选择更少的指标,说明该方法可优化和精简模型。

摘要： 目的 探讨新型冠状病毒肺炎(COVID-19)疫情期间医务人员心理焦虑状况及其影响因素,并构建焦虑风险评分模型,为开展心理咨询服务和采取针对性的干预措施提供参考。方法 选取福建省立医院的2299名医务人员为调查对象,随机分为训练组和验证组,采用汉密尔顿焦虑量表评估焦虑状况。训练组中应用LASSO回归筛选焦虑相关的影响因素,计算焦虑风险评分,将所有医务人员划分入三个风险亚组(低危、中危和高危组),并在验证组中验证。结果 共212名医务人员(9.2%)发生焦虑。通过LASSO回归筛选出年龄、婚姻状况、工作范围、恐惧评分、担心工作不被理解、担心与亲友隔离等8个与焦虑相关的变量,中危组和高危组的焦虑风险分别是低危组的2.797倍(95%CI:1.097~7.128)和14.721倍(95%CI:6.217~34.860)。训练组和验证组中焦虑风险评分模型的预测效果良好,一致性指数(C-statistics)值分别为0.798和0.742。结论 医务人员在COVID-19疫情期间表现出不同程度的焦虑症状,通过筛选焦虑相关影响因素,构建风险评分模型,有助于识别焦虑高风险群体并及时采取心理健康干预措施。

摘要： 基于目前肿瘤基因表达谱数据在医学相关结合行业的广泛普及,运用特征选择算法对其处理成了如今大量学者们的重点研究方向。基于此,提出了一种FCBF-Lasso结合算法。首先,采用FCBF算法对各基因数据集进行特征选择,通过删除冗余的和不相关的特征,得到特征子集;然后,再利用Lasso方法对得到特征子集进行特征选择,进一步地删除冗余特征,得到对应基因数据集的最优特征子集。算法采用FCBF算法的对称不确定性和Lasso方法的最小残差平方和作为度量特征之间以及特征与类之间相关性的评价准则,在一定程度上克服了两种算法的缺点。在6个基因数据集上与其它3种经典的特征选择算法进行比较,结果表明算法在选择最少特征数的最优特征子集和分类精度方面具有很好的优势。

摘要： 地方财政收入是国家财政收入的重要组成部分,结合地方财政收入的构成内容及其影响因素,采用科学的预测方法对其进行预测,对提高财政决策质量、合理安排财政支出具有重要意义。采用机器学习常用算法,通过对吕梁市2006—2019年地方财政收入及其影响因素的历史数据进行相关性及Lasso回归分析,筛选出影响地方财政收入的关键因素,然后基于灰色预测GM(1,1)建立单个影响因素预测模型,在此基础上,基于支持向量回归SVR建立地方财政收入预测模型,模型使用Python及其第三方库作为实现工具,得到吕梁市未来两年的地方财政收入预测值。实验结果表明,预测模型精度较高,可作为地方政府制定相关财政政策的参考依据。

摘要： 鲁棒性作为一种动态行为也是超网络领域的研究热点,对构建鲁棒网络具有重要的现实意义。尽管对超网络的研究越来越多,但对其动态研究相对较少,尤其是在神经影像领域。在现有的脑功能超网络研究中,大多是探究网络的静态拓扑属性,并没有相关研究对脑功能超网络的动力学特性——鲁棒性展开分析。针对这些问题,文中首先引入lasso,group lasso和sparse group lasso方法来求解稀疏线性回归模型以构建超网络;然后基于蓄意攻击中的节点度和节点介数攻击两种实验模型,利用全局效率和最大连通子图相对大小探究脑功能超网络在应对攻击时的节点失效网络的鲁棒性,最后通过实验进行对比分析,以探究更为稳定的网络。实验结果表明,在蓄意攻击模式下,group lasso和sparse group lasso方法构建的超网络的鲁棒性更强一些。同时,综合来看,group lasso方法构建的超网络最稳定。

摘要： Lasso是机器学习中比较常用的一种变量选择方法,适用于具有稀疏性的回归问题.当样本量巨大或者海量的数据存储在不同的机器上时,分布式计算是减少计算时间提高效率的重要方式之一.本文在给出Lasso模型等价优化模型的基础上,将ADMM算法应用到此优化变量可分离的模型中,构造了一种适用于Lasso变量选择的分布式算法,证明了该算法的收敛性;同时,我们通过数值实验,将本文构造的分布式算法与循环坐标下降法和ADMM算法进行了比较分析,结果显示在处理样本集大的稀疏性回归问题时,本文提出的算法的计算时间和误差都小于其他两种算法.

摘要： 为了解决最小二乘估计(least squares estimation,LSQ)算法在处理高维度数据模型式时易产生模型过拟合、预报精度不高等问题,采用LASSO算法(least absolute shrinkage and selection operator)对附有周期项的二次多项式模型进行整体求解,分析6,12,18,24 h预报精度。结果表明,LASSO算法能有效避免模型参数求解的过拟合问题,极大提高二次多项式模型的预报精度,随着预报时间增加,LASSO算法优势愈加明显。

摘要： 针对金融资产的动态变化特征,构建动态时变的Lasso图模型理论,通过局部组套索惩戒施加于结构化平稳的模型,以图模型结构时变为前提,进行结构化平稳处理.将无向图模型方法应用于我国2014年1月―2020年3月股市的高维数据建模,利用Lasso方法给出精度矩阵的估计,从而识别得到上证380个股和带有权重的行业指数的图模型结构.实证研究结果表明:不同时点的上证380个股和行业的图模型结构均存在较大差异,股票关联结构呈现动态变化特征.快速上升期(牛市)和快速下跌期(熊市),个股和行业图模型边连接较多,关联结构较强;震荡期,个股和行业图模型边数量较少,关联性相对较弱.

摘要： 基于结构风险最小化原则,提出了可以实现高维数据降维的线性EIV模型参数的LASSO估计(LE)方法,并给出了其数值解的迭代算法。为说明LE方法的有效性,通过实证与WTLS、LS两种方法进行了对比分析。结果表明,LE方法能够明显提高预测精度,具有更强的泛化能力,同时可以实现变量选择,达到高维数据降维的目的。

摘要： 在工业生产和科学研究的很多领域中经常存在着因子个数多于试验次数的问题,而目前能够用在这种数据上的有效的变量筛选方法还很少.本文主要介绍了两种在现代多元统计中广泛应用的变量选择方法:LASSO和SCAD,以及如何将它们应用到超饱和试验据中筛选出比较重要的因子.

摘要： 在工业生产和科学研究的很多领域中经常存在着因子个数多于试验次数的问题,而目前能够用在这种数据上的有效的变量筛选方法还很少.本文主要介绍了两种在现代多元统计中广泛应用的变量选择方法:LASSO和SCAD,以及如何将它们应用到超饱和试验据中筛选出比较重要的因子.

摘要： 在工业生产和科学研究的很多领域中经常存在着因子个数多于试验次数的问题,而目前能够用在这种数据上的有效的变量筛选方法还很少.本文主要介绍了两种在现代多元统计中广泛应用的变量选择方法:LASSO和SCAD,以及如何将它们应用到超饱和试验据中筛选出比较重要的因子.

摘要： 在工业生产和科学研究的很多领域中经常存在着因子个数多于试验次数的问题,而目前能够用在这种数据上的有效的变量筛选方法还很少.本文主要介绍了两种在现代多元统计中广泛应用的变量选择方法:LASSO和SCAD,以及如何将它们应用到超饱和试验据中筛选出比较重要的因子.

摘要： 在工业生产和科学研究的很多领域中经常存在着因子个数多于试验次数的问题,而目前能够用在这种数据上的有效的变量筛选方法还很少.本文主要介绍了两种在现代多元统计中广泛应用的变量选择方法:LASSO和SCAD,以及如何将它们应用到超饱和试验据中筛选出比较重要的因子.

摘要： 在工业生产和科学研究的很多领域中经常存在着因子个数多于试验次数的问题,而目前能够用在这种数据上的有效的变量筛选方法还很少.本文主要介绍了两种在现代多元统计中广泛应用的变量选择方法:LASSO和SCAD,以及如何将它们应用到超饱和试验据中筛选出比较重要的因子.

摘要： 本发明提供的一种基于LASSO‑TSA‑GRNN网络的建筑热负荷预测方法及系统，包括以下步骤：预设GRNN网络预测模型；利用树种优化算法对预设的GRNN网络预测模型进行优化，得到最优的TSA‑GRNN网络预测模型；利用Lasso变量筛选待预测建筑的热负荷影响因素，并将筛选出的热负荷影响因素最为最优的TSA‑GRNN网络预测模型的输入变量，进而实现对待预测建筑的热负荷进行预测；本发明极大地提高了预测精度，建筑本体特征因素的引入使预测方法更加符合工程实际需求。

摘要： 本发明公开一种基于LASSO和RNN预测设备使用寿命的方法，涉及数据应用技术领域，包括：采集设备运行的历史数据和最新数据；对采集数据进行预处理；使用LASSO算法对预处理后的数据进行变量选择，去除掉系数为零的变量，实现数据的降维；构建RNN模型，将处理后的历史数据送入RNN模型中进行训练，调整RNN模型参数，得到训练完成的RNN模型；将处理后的最新数据送入训练完成的RNN模型，训练完成的RNN模型输出设备使用寿命的预测结果，并传送至用户端。本发明还公开一种基于LASSO和RNN预测设备使用寿命的工具，其与前述方法相结合，可以通过训练完成的RNN模型通过设备运行的最新数据预测设备的使用寿命，从而及时提醒用户更换设备，减少因为设备故障所造成的经济损失。

摘要： 本发明涉及一种基于LASSO回归确定新能源消纳模型的方法及系统，所述方法包括：构建新能源消纳模型；利用LASSO回归对所述新能源消纳模型进行降维计算，并判断各因素间是否存在数学关系：若是，则通过因素函数关系式表征多维模型；若否，则利用Peaks函数表征多维模型。本发明基于LASSO回归的多维新能源响应面模型可以形象地描绘出新能源利用率随着因素变化的情况，对于研究多不确定因素对新能源利用率的影响有重要意义。

摘要： 本发明公开了一种基于LASSO‑PSO‑ELM的财务困境预警方法，首先利用LASSO回归对于财务指标数据进行降维处理，得到低维度有效数据，然后利用十折交叉验证对ELM模型中的最优隐层节点数进行寻优，再选取十折交叉验证得到的最优隐层节点数代入ELM中进行建模预测。由于ELM本身随机赋予权值和偏差，实证发现输出结果存在不稳定的问题，接着利用PSO寻优算法，对ELM的随机权值和偏差进行优化，利用PSO的不断迭代寻优得到最终的权值和偏差，最后将寻优后的权值和偏差带入ELM中对降维后的数据进行训练和分类识别。本发明能避免传统方法中由于模型本身带来的低预测率和速度慢问题，并对不同行业的财务指标数据都能达到较好的结果。

摘要： 本发明提出了一种基于IDPC和LASSO的食管鳞癌预后生存风险评估方法，其步骤为：首先，获取食管鳞癌患者的病理数据，利用卡方检验方法和信息增益确定的重要病理因素构建决策树，将患者分为早期组和中晚期组；其次，分别获取早期组和中晚期组食管鳞癌患者的术前血常规生化指标，利用LASSO选择出与术后生存风险显著相关的指标；然后，利用IDPC将早期组和中晚期组食管鳞癌患者分别聚集成不同的集群，对每一个集群，构建基于LR的列线图以预测食管鳞癌患者的生存风险；最后，利用混淆矩阵和受试者的AUC对列线图的性能进行评估。本发明较为准确地判断食管鳞癌患者的预后生存风险，可以帮助医生做出诊断决定，以至于为患者提供有效治疗。

摘要： 本发明公开了一种基于VMD‑Lasso‑CNN‑LSTM的用户用电能耗预测方法，该方法包括如下步骤：首先采用变分模态分解(VMD)算法对用电能耗数据进行预处理，将原始数据序列信号分解成K个不同的子序列；再通过Lasso算法对每一个用电能耗子序列进行数据变量筛选，筛选出具有代表性的预测变量，将其作为预测模型的输入；最后用卷积神经网络(CNN)对长短期记忆神经网络(LSTM)进行改进，将Lasso算法的输出作为CNN‑LSTM的输入对用电能耗数据进行预测；以MPAE作为评估指标，在测试集上验证该用电能耗预测方法的准确率。

摘要： 本发明公开了一种基于Lasso算法的脱硫系统运行优化方法及系统，脱硫系统包括若干台浆液循环泵；包括：基于Lasso算法构建脱硫效率模型，脱硫效率模型用于通过获取脱硫出口的SO2浓度和pH值，获得浆液循环泵的运行数量；采集脱硫出口的SO2浓度和pH值，通过Lasso算法，获取浆液循环泵的最佳运行数量；基于SO2浓度的限值，通过调整pH值和/或浆液循环泵运行数量，获取最低耗电量；基于最低耗电量，控制脱硫系统进行工作；本发明采用Lasso算法对脱硫系统进行建模研究，为脱硫系统运行优化的准确性提供保障，根据不同工况提供了物耗、能耗较低的可调参数设定值，从而实现对烟气污染物脱除低成本高效率的控制。

摘要： 本发明公开了基于正交试验筛选Lasso回归预测烧成曲线的方法，涉及数据预测技术领域。本发明通过建立Lasso回归预测模型进行最佳烧成曲线预测，解决了窑炉烧成制度调整依靠人工经验调整的弊端，减少工人试错成本和试错时间，提高窑炉产质量，提高企业效益。其中，在本发明的实施例采用两步走的模式，先采集影响窑炉对瓷砖烧成质量的数据变量，通过多项式拟合，构建正交试验，筛选出最优的模型参数，以确定哪些变量适合用于最佳烧成曲线的预测，为后续Lasso回归预测模型的建立筛选出数据变量；再建立Lasso回归预测模型进行最佳烧成曲线预测，大大提高Lasso回归预测模型对最佳烧成曲线预测的准确性。

摘要： 本发明公开了一种基于lasso及随机森林的高拱坝谷幅变形分析方法，包括：获取坝区现场的相关监测数据，建立数据分析体系；对监测数据进行预处理；对预处理后的监测数据中的影响因素进行二次处理，根据影响因素的潜在影响方式构建高维影响因子组；根据影响因子建立lasso分析模型并进行特征筛选，确定重要影响因子；将重要影响因子作为对应影响因素的代表影响因子，构建影响因素数据体系，用随机森林算法和基尼系数对影响因素的重要程度进行排序，用来综合评价各影响因素对谷幅变形的影响。本发明定量地选取具有代表性的影响因子代表部分影响因素，并比较各影响因子对谷幅变形的重要程度，为坝区工程安全稳定性监管提供依据。

摘要： 本发明提供了一种基于Lasso理论的接地网腐蚀诊断方法，包括：步骤1：建立变电站接地网的结构关系矩阵，同时，获取变电站接地网的基本参数；步骤2：对变电站接地网进行检测，获得检测参数；步骤3：基于结构关系矩阵、基本参数和检测参数，建立变电站接地网腐蚀诊断方程组；步骤4：利用Lasso理论迭代求解变电站接地网腐蚀诊断方程组，获得求解结果；步骤5：基于求解结果，图形化展示变电站接地网的腐蚀程度。本发明的基于Lasso理论的接地网腐蚀诊断方法，利用lasso理论对支路电阻变化量进行稀疏处理，再对故障诊断方程组进行求解，以解决变电站接地网腐蚀诊断中采用电网络方法时欠定方程求解容易出现不收敛及出现伪故障的问题。