论文部分内容阅读
传统的lasso 法因其解的稀疏性、变量选择的稳定性被广泛应用在高维、复杂、多变的大数据的降维及分类中,但在处理时序大数据时,lasso 法因不考虑变量的时序关系而受限制.鉴于这-缺点,本文在处理时序数据时采用序lasso 方法.序lasso 将不同特征的不同时间点的数据作为输入变量,能够有效地估计出每个特征最合适的时滞间隔,它的优点是在恢复真实系数上消除了尾部的波动性.基于实际的时序数据上的实验结果证明了本文的模型和算法.