【技术实现步骤摘要】
本专利技术涉及张量回归的贝叶斯统计推断，具体为一种基于gssl惩罚先验的张量贝叶斯分位数回归方法。
技术介绍
1、分位数回归模型具有对响应变量特征描述较全面的特点和较强的稳健性，广泛应用于一般规模数据的变量关系研究。传统的分位数回归方法仅考虑影响第i个观测个体标量响应的协变量为向量，并估计相应的回归系数向量，但现今大数据时代的许多应用涉及具有张量结构的高维数组，这些张量数据不可避免地对标量响应产生影响且不可忽略，应作为一类重要的解释变量纳入回归过程，因此，待估计的回归系数也应是高维数组，即张量回归系数。
2、目前，已有学者提出了基于交替方向乘子法(admm)和tucker分解的张量分位数回归算法，但其是在频率学方法的基础上提出的算法，牺牲了模型中参数的随机性度量，且对于具有稀疏结构的张量数据来说，该算法仅仅采用lasso方法进行张量回归系数的收缩，但lasso的收缩性能在高维场景中受到限制，并且频率学派下的lasso需要做交叉验证以确定最优的正则化参数，再加上对张量tucker分解秩的选择，其算法在计算上负担比较重。又或有学...
【技术保护点】
1.一种基于GSSL惩罚先验的张量贝叶斯分位数回归方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于GSSL惩罚先验的张量贝叶斯分位数回归方法，其特征在于：所述步骤S5.1中对张量贝叶斯分位数回归模型各个参数进行GSSL先验具体表达式如下：
3.根据权利要求1所述的一种基于GSSL惩罚先验的张量贝叶斯分位数回归方法，其特征在于：所述步骤S6中的各参数的满条件后验分布具体为：
4.根据权利要求3所述的一种基于GSSL惩罚先验的张量贝叶斯分位数回归方法，其特征在于：所述步骤S7的具体过程如下：
5.根据权利要...
【技术特征摘要】
1.一种基于gssl惩罚先验的张量贝叶斯分位数回归方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于gssl惩罚先验的张量贝叶斯分位数回归方法，其特征在于：所述步骤s5.1中对张量贝叶斯分位数回归模型各个参数进行gssl先验具体表达式如下：
3.根据权利要求1所述的一种基于gssl惩罚先验的张量贝叶斯分位数回归方法，其特征在于：所述步骤s6中的各参数的满条件后验...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。