弹性网络
Parent: ai_keywords
弹性网络（Elastic Net）百科解释
核心定义
弹性网络是一种线性模型的正则化方法，通过同时引入L1-范数（LASSO）和L2-范数（Ridge）惩罚项，在高维数据（特征数远大于样本量）中实现特征选择与系数收缩的平衡。其目标函数为：
L(β) = ‖y - Xβ‖² + λ₁‖β‖₁ + λ₂‖β‖₂²，其中λ₁、λ₂控制惩罚强度，α=λ₂/(λ₁+λ₂)调节混合比例。该方法克服了LASSO在高度相关特征中“随机选取”的不稳定性，并继承了Ridge的“分组效应”优势。
关键技术点
- 双重正则化：L1强制稀疏化（剔除无关特征），L2稳定相关特征系数（避免过拟合），二者通过超参数α（0~1）灵活组合。
- 分组效应：对高度相关的特征群（如脑影像中相邻体素），弹性网络倾向于同时保留或剔除整个群组，而非随机选取单个特征，增强模型可解释性。
- 坐标下降求解：基于软阈值迭代的优化算法，可高效处理上万维的特征空间，收敛快速稳定。
- 自适应调参：采用交叉验证（如
cv.glmnet）确定最优λ₁、λ₂，避免主观性；亦可嵌入先验权重（如自适应弹性网络）提升选择精度。
医学/神经科学应用场景
脑卒中后运动功能预后预测（模拟首都医科大学合作研究背景）
在弥散张量成像（DTI）数据中，特征维度（如各向异性分数FA、平均弥散率MD等体素参数）可达10⁴级，而样本量（患者数）通常仅为百级。传统回归易过拟合且丢失生物学信息。弹性网络在此场景中的优势：
- 筛选关键白质纤维束指标：利用弹性网络的分组效应，识别与运动恢复相关的纤维簇（如皮质脊髓束FA值），而非孤立体素，避免噪声体素干扰。
- 多模态整合：同时纳入临床量表（NIHSS评分）、电生理参数（运动诱发电位MEP），通过L1正则化自动剔除冗余变量，建立稀疏、稳健的预后模型（如预测6个月后Fugl-Meyer运动评分）。
- 临床意义：模型输出可辅助临床医师锁定需重点修复的神经环路，指导个体化康复方案（如经颅磁刺激靶点选择），降低复发及致残风险。
总字数约550字，无冗余。
