Fast Bayesian feature selection for high-dimensional data using mixtures of g-priors

Abstract

Η παρούσα διπλωματική εργασία εξετάζει τον κόσμο της επιλογής μοντέλου βασιζόμενη σε Μπευζιανές τεχνικές και της περιλαμβανομένης μεταβλητής μέσα στο πλαίσιο των γραμμικών μοντέλων. Η έρευνα αναπτύσσεται με μια εξερεύνηση του πλαισίου της g − prior, περιλαμβάνοντας τον ευρύτερο κόσμο της επιλογής μοντέλου βασισμένης σε Μπευζιανές τεχνικές. Μια λεπτομερής ανάλυση του αλγορίθμου FBVS αποκαλύπτει την προσαρμοστικότητά του σε διάφορα σενάρια. Η απεικόνιση των ορίων συσχέτισης προσθέτει πρακτική αξία στην εφαρμογή του αλγορίθμου. Επιπλέον, η επέκταση του αλγορίθμου σε μείξεις της g − prior αναδεικνύει την καινοτομία και την ανθεκτικότητα στην επίλυση προβλημάτων.The present thesis explores the world of model selection based on Bayesian techniques and the included variable within the framework of linear models. The research unfolds through an exploration of the g−prior framework, encompassing the broader realm of model selection based on Bayesian techniques. A detailed analysis of the FBVS algorithm reveals its adaptability in various scenarios. The depiction of correlation boundaries adds practical value to the application of the algorithm. Additionally, the extension of the algorithm to mixtures of the g−prior highlights innovation and resilience in problem-solving.