রিজ ধরণের পেনাল্টি এবং লসো-টাইপ পেনাল্টি ব্যবহার করে অনুমান করাতে পার্থক্য রয়েছে। রিজ ধরণের অনুমানকারীগুলি সমস্ত রিগ্রেশন সহগকে শূন্যের দিকে সঙ্কুচিত করে এবং পক্ষপাতদুষ্ট, তবে অ্যাসিপটোটিক বিতরণ পেতে সহজতর কারণ তারা কোনও পরিবর্তনশীলকে ঠিক শূন্যে সঙ্কুচিত করে না। রিজ অনুমানের পক্ষপাতটি পরবর্তী কার্য সম্পাদন অনুমানের পরীক্ষায় সমস্যাযুক্ত হতে পারে, তবে আমি এতে কোনও বিশেষজ্ঞ নই। অন্যদিকে, লাসো / ইলাস্টিক-নেট ধরণের পেনাল্টিগুলি অনেকগুলি রিগ্রেশন সহগকে শূন্যে সঙ্কুচিত করে এবং অতএব মডেল নির্বাচন কৌশল হিসাবে দেখা যেতে পারে। মডেলগুলি যা তথ্যের ভিত্তিতে নির্বাচিত হয়েছিল তাদের উপর অনুমান সম্পাদনের সমস্যাটি সাধারণত নির্বাচনী অনুমানের সমস্যা বা নির্বাচনের পরে অনুক্রম হিসাবে বিবেচিত হয়। সাম্প্রতিক বছরগুলিতে এই ক্ষেত্রটি অনেক উন্নয়ন করেছে।
Y~ এন( μ , ১ )μμ| Y| >সি>0গYগY
একইভাবে, লাসো (বা ইলাস্টিক নেট) নমুনা স্থানটিকে এমনভাবে সীমাবদ্ধ করে যাতে নিশ্চিত হওয়া যায় যে নির্বাচিত মডেলটি নির্বাচিত হয়েছে। এই কাটাটি আরও জটিল, তবে বিশ্লেষণাত্মকভাবে বর্ণনা করা যেতে পারে।
এই অন্তর্দৃষ্টিটির উপর ভিত্তি করে, বৈধ পরীক্ষার পরিসংখ্যানগুলি পাওয়ার জন্য ডেটা ছাঁটাই করা বিতরণের উপর ভিত্তি করে কেউ অনুমান সম্পাদন করতে পারে। আত্মবিশ্বাসের ব্যবধান এবং পরীক্ষার পরিসংখ্যানগুলির জন্য লি এট এর কাজটি দেখুন:
http://projecteuclid.org/euclid.aos/1460381681
তাদের পন্থাগুলি আর প্যাকেজ নির্বাচনের ক্ষেত্রে প্রয়োগ করা হয় ।
মডেল নির্বাচনের পরে সর্বোত্তম অনুমান (এবং টেস্টিং) এ (লাসোর জন্য) আলোচনা করা হয়েছে:
https://arxiv.org/abs/1705.09417
এবং তাদের (অনেক কম বিস্তৃত) সফ্টওয়্যার প্যাকেজ এতে উপলব্ধ:
https://github.com/ammeir2/selectiveMLE