机构名称：
¥ 1.0
描述变量选择方法已被广泛开发用于分析频繁主义者和贝叶斯框架中的高级幻象数据。此软件包可以通过沿贝叶斯分层模型的线进行开发的尖峰和单位分位数（组）套索的实现，但通过使用预期 - 示数（EM）algorithm的频繁定期化方法深深地植根于频繁的正规化方法。与其非稳定替代方案（同样在包装中也实现）相比，Spike and-Slab tile lasso可以根据偏斜性和异常值来处理数据不规则性。此外，还以对高维纵向数据的分位数/最小平方不同的系数混合效应模型的形式进行了拟合尖峰和slab分位数套索及其非舒适对应的程序。此软件包的核心模块是在“ C ++”中开发的。
ddml：双/辩护机器学习
主要关键词
相关文件推荐
