SEVIS方法的局部线性估计及其在超高维数据下的应用

在大数据时代的背景下，如何从超高维数据中筛选出真正重要的特征成为许多相关行业的研究者们广泛关注的一个问题．特征筛选的核心思想就在于排除那些明显与因变量不相关的特征以达到这一目的．基于核估计的SEVIS（Sure Explained Variability and Independence Screening）特征筛选方法在处理非对称，非线性数据下要在一定程度上优于之前的特征筛选模型，但其采用核估计的方式对非参数部分进行估计的方法仍存在进一步改进的空间．本文就从这个角度出发，将其核估计的算法修改为局部线性估计，并考虑部分特殊情况下的变量选择过程．结果显示，基于局部线性估计的SEVIS方法在准确性，运行效率上都要优于基于核估计的SEVIS的方法．