Zastanawiam się, dlaczego metody wyboru modeli LASSO i LARS są tak popularne, mimo że są to po prostu warianty stopniowego wybierania do przodu (a zatem cierpią na zależność od ścieżki)?
Podobnie, dlaczego metody Ogólnego do Specyficznego (GETS) wyboru modelu są w większości ignorowane, nawet jeśli działają lepiej niż LARS / LASSO, ponieważ nie cierpią na problem regresji stopniowej? (podstawowe odniesienie do GETS: http://www.federalreserve.gov/pubs/ifdp/2005/838/ifdp838.pdf - najnowszy algorytm zaczyna się od szerokiego modelu i wyszukiwania drzewa, które pozwala uniknąć zależności ścieżki, i pokazano, że często radzą sobie lepiej niż LASSO / LARS).
To po prostu dziwne, LARS / LASSO wydają się mieć o wiele więcej ekspozycji i cytatów niż General to Specific (GETS), ktoś ma jakieś przemyślenia?
Nie próbując rozpocząć gorącej debaty, bardziej szukając racjonalnego wyjaśnienia, dlaczego literatura wydaje się koncentrować raczej na LASSO / LARS niż na GETS, a niewiele osób faktycznie wskazuje na niedociągnięcia LASSO / LARS.