优缺点
LARS是一个适用于高维数据的回归算法。
优点:
-
特别适合于特征维度n 远高于样本数m的情况。
-
算法的最坏计算复杂度和最小二乘法类似,但是其计算速度几乎和前向选择算法一样
-
可以产生分段线性结果的完整路径,这在模型的交叉验证中极为有用
缺点:
- 由于LARS的迭代方向是根据目标的残差而定,所以该算法对样本的噪声极为敏感。
LARS是一个适用于高维数据的回归算法。
优点:
特别适合于特征维度n 远高于样本数m的情况。
算法的最坏计算复杂度和最小二乘法类似,但是其计算速度几乎和前向选择算法一样
可以产生分段线性结果的完整路径,这在模型的交叉验证中极为有用
缺点: