基于VCPA的混合方法：结合变量空间连续收缩的混合变量选择策略

简介：
本研究提出了一种基于VCPA的混合方法，融合了变量空间连续收缩技术，旨在优化混合变量的选择过程，提升模型预测精度和稳定性。 在本研究中，我们提出了一种基于变量空间连续收缩的混合变量选择策略，这是变量组合种群分析（VCPA）的核心思想。该方法首先通过不断缩小变量空间来实现优化，并在此基础上采用修改后的VCPA进行进一步改进。随后，在第二步中利用迭代保留信息变量 (IRIV) 和遗传算法 (GA)，以充分利用 VCPA、GA 和 IRIV 的优势，弥补了它们在处理大量变量时的不足之处。我们通过三个近红外（NIR）数据集和三种不同的变量选择方法进行了验证，包括两种广泛使用的方法：竞争性自适应重加权采样(CARS) 和遗传算法-区间偏最小二乘法(GA-iPLS)，以及一种混合策略。