{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5422966"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5422966","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"The lasso regression method and extensions","abstract":"Στην εργασία θα μελετηθούν σύγχρονες μέθοδοι κανονικοποίησης για γραμμικά μοντέλα παλινδρόμησης, με έμφαση στις τεχνικές Lasso, Adaptive Lasso και Fused Lasso. Οι μέθοδοι αυτές έχουν αναδειχθεί ως βασικά εργαλεία στην ανάλυση δεδομένων υψηλής διάστασης, όπου ο αριθμός των μεταβλητών είναι μεγάλος σε σχέση με το μέγεθος του δείγματος. Αρχικά θα μελετηθεί η κλασική μέθοδος Lasso, η οποία επιτρέπει την ταυτόχρονη εκτίμηση των παραμέτρων και την επιλογή μεταβλητών, οδηγώντας σε αραιά μοντέλα με βελτιωμένη ερμηνευσιμότητα. Στη συνέχεια θα εξεταστούν επεκτάσεις της βασικής μεθόδου. Μια σημαντική επέκταση είναι η Adaptive Lasso, που εισάγει προσαρμοσμένα βάρη στις ποινές των συντελεστών, επιτυγχάνοντας καλύτερες ιδιότητες ως προς την ορθότητα επιλογής των σημαντικών μεταβλητών. Μια δεύτερη μέθοδος είναι η Fused Lasso, η οποία, πέρα από την επιλογή μεταβλητών, ενσωματώνει πληροφορία δομής μεταξύ των μεταβλητών, ενθαρρύνοντας την ομαδοποίηση γειτονικών συντελεστών. Η ιδιότητα αυτή καθιστά τη μέθοδο ιδιαίτερα κατάλληλη για δεδομένα με φυσική διάταξη, όπως χρονοσειρές ή χωρικά δεδομένα. Θα γίνει συγκριτική αξιολόγηση των παραπάνω μεθόδων ως προς την ικανότητα επιλογής μεταβλητών, την πρόβλεψη και την ερμηνευσιμότητα των αποτελεσμάτων. Τέλος, θα προγραμματιστμούν εφαρμογές σε πραγματικά ή προσομοιωμένα δεδομένα, αναδεικνύοντας τα πλεονεκτήματα και τους περιορισμούς κάθε προσέγγισης.","abstract_html":"Στην εργασία θα μελετηθούν σύγχρονες μέθοδοι κανονικοποίησης για γραμμικά μοντέλα παλινδρόμησης, με έμφαση στις τεχνικές Lasso, Adaptive Lasso και Fused Lasso. Οι μέθοδοι αυτές έχουν αναδειχθεί ως βασικά εργαλεία στην ανάλυση δεδομένων υψηλής διάστασης, όπου ο αριθμός των μεταβλητών είναι μεγάλος σε σχέση με το μέγεθος του δείγματος. Αρχικά θα μελετηθεί η κλασική μέθοδος Lasso, η οποία επιτρέπει την ταυτόχρονη εκτίμηση των παραμέτρων και την επιλογή μεταβλητών, οδηγώντας σε αραιά μοντέλα με βελτιωμένη ερμηνευσιμότητα. Στη συνέχεια θα εξεταστούν επεκτάσεις της βασικής μεθόδου. Μια σημαντική επέκταση είναι η Adaptive Lasso, που εισάγει προσαρμοσμένα βάρη στις ποινές των συντελεστών, επιτυγχάνοντας καλύτερες ιδιότητες ως προς την ορθότητα επιλογής των σημαντικών μεταβλητών. Μια δεύτερη μέθοδος είναι η Fused Lasso, η οποία, πέρα από την επιλογή μεταβλητών, ενσωματώνει πληροφορία δομής μεταξύ των μεταβλητών, ενθαρρύνοντας την ομαδοποίηση γειτονικών συντελεστών. Η ιδιότητα αυτή καθιστά τη μέθοδο ιδιαίτερα κατάλληλη για δεδομένα με φυσική διάταξη, όπως χρονοσειρές ή χωρικά δεδομένα. Θα γίνει συγκριτική αξιολόγηση των παραπάνω μεθόδων ως προς την ικανότητα επιλογής μεταβλητών, την πρόβλεψη και την ερμηνευσιμότητα των αποτελεσμάτων. Τέλος, θα προγραμματιστμούν εφαρμογές σε πραγματικά ή προσομοιωμένα δεδομένα, αναδεικνύοντας τα πλεονεκτήματα και τους περιορισμούς κάθε προσέγγισης.","abstract_has_math":false,"creators":["ΡΟΝΤΕ-ΓΚΟΥΡΟΜΙΧΟΣ ΦΙΛΙΠΠΟΣ-ΣΙΜΩΝ","ROHDE-GKOUROMICHOS FILIPPOS-SIMON"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:20:14Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5422966"],"render_values":[{"text":"uoadl:5422966","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5422966","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5422966","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5422966","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΡΟΝΤΕ-ΓΚΟΥΡΟΜΙΧΟΣ ΦΙΛΙΠΠΟΣ-ΣΙΜΩΝ","ROHDE-GKOUROMICHOS FILIPPOS-SIMON"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5422966","https://pergamos.lib.uoa.gr/uoa/dl/object/5422966"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Στην εργασία θα μελετηθούν σύγχρονες μέθοδοι κανονικοποίησης για γραμμικά μοντέλα παλινδρόμησης, με έμφαση στις τεχνικές Lasso, Adaptive Lasso και Fused Lasso. Οι μέθοδοι αυτές έχουν αναδειχθεί ως βασικά εργαλεία στην ανάλυση δεδομένων υψηλής διάστασης, όπου ο αριθμός των μεταβλητών είναι μεγάλος σε σχέση με το μέγεθος του δείγματος. Αρχικά θα μελετηθεί η κλασική μέθοδος Lasso, η οποία επιτρέπει την ταυτόχρονη εκτίμηση των παραμέτρων και την επιλογή μεταβλητών, οδηγώντας σε αραιά μοντέλα με βελτιωμένη ερμηνευσιμότητα. Στη συνέχεια θα εξεταστούν επεκτάσεις της βασικής μεθόδου. Μια σημαντική επέκταση είναι η Adaptive Lasso, που εισάγει προσαρμοσμένα βάρη στις ποινές των συντελεστών, επιτυγχάνοντας καλύτερες ιδιότητες ως προς την ορθότητα επιλογής των σημαντικών μεταβλητών. Μια δεύτερη μέθοδος είναι η Fused Lasso, η οποία, πέρα από την επιλογή μεταβλητών, ενσωματώνει πληροφορία δομής μεταξύ των μεταβλητών, ενθαρρύνοντας την ομαδοποίηση γειτονικών συντελεστών. Η ιδιότητα αυτή καθιστά τη μέθοδο ιδιαίτερα κατάλληλη για δεδομένα με φυσική διάταξη, όπως χρονοσειρές ή χωρικά δεδομένα. Θα γίνει συγκριτική αξιολόγηση των παραπάνω μεθόδων ως προς την ικανότητα επιλογής μεταβλητών, την πρόβλεψη και την ερμηνευσιμότητα των αποτελεσμάτων. Τέλος, θα προγραμματιστμούν εφαρμογές σε πραγματικά ή προσομοιωμένα δεδομένα, αναδεικνύοντας τα πλεονεκτήματα και τους περιορισμούς κάθε προσέγγισης.","Τhis thesis will study modern regularization methods for linear regression models, with emphasis on the Lasso, Adaptive Lasso, and Fused Lasso techniques. These methods have emerged as fundamental tools in the analysis of high-dimensional data, where the number of variables is large relative to the sample size. Initially, the classical Lasso method will be examined, as it enables simultaneous parameter estimation and variable selection, leading to sparse models with improved interpretability. Subsequently, extensions of the basic method will be considered. One important extension is the Adaptive Lasso, which introduces data-driven weights in the penalty applied to the coefficients, achieving improved properties in terms of correctly identifying the significant variables. A second method is the Fused Lasso, which, beyond variable selection, incorporates structural information among variables by encouraging the grouping of neighboring coefficients. This property makes the method particularly suitable for data with a natural ordering, such as time series or spatial data. A comparative evaluation of the above methods will be conducted with respect to variable selection capability, predictive performance, and interpretability of the results. Finally, applications will be implemented on real or simulated datasets, highlighting the advantages and limitations of each approach."]},{"key":"dc:title","label":"Title","values":["The lasso regression method and extensions"]}]}],"canonical_facts":{"dc:creator":["ΡΟΝΤΕ-ΓΚΟΥΡΟΜΙΧΟΣ ΦΙΛΙΠΠΟΣ-ΣΙΜΩΝ","ROHDE-GKOUROMICHOS FILIPPOS-SIMON"],"dc:date":["2026"],"dc:description":["Στην εργασία θα μελετηθούν σύγχρονες μέθοδοι κανονικοποίησης για γραμμικά μοντέλα παλινδρόμησης, με έμφαση στις τεχνικές Lasso, Adaptive Lasso και Fused Lasso. Οι μέθοδοι αυτές έχουν αναδειχθεί ως βασικά εργαλεία στην ανάλυση δεδομένων υψηλής διάστασης, όπου ο αριθμός των μεταβλητών είναι μεγάλος σε σχέση με το μέγεθος του δείγματος. Αρχικά θα μελετηθεί η κλασική μέθοδος Lasso, η οποία επιτρέπει την ταυτόχρονη εκτίμηση των παραμέτρων και την επιλογή μεταβλητών, οδηγώντας σε αραιά μοντέλα με βελτιωμένη ερμηνευσιμότητα. Στη συνέχεια θα εξεταστούν επεκτάσεις της βασικής μεθόδου. Μια σημαντική επέκταση είναι η Adaptive Lasso, που εισάγει προσαρμοσμένα βάρη στις ποινές των συντελεστών, επιτυγχάνοντας καλύτερες ιδιότητες ως προς την ορθότητα επιλογής των σημαντικών μεταβλητών. Μια δεύτερη μέθοδος είναι η Fused Lasso, η οποία, πέρα από την επιλογή μεταβλητών, ενσωματώνει πληροφορία δομής μεταξύ των μεταβλητών, ενθαρρύνοντας την ομαδοποίηση γειτονικών συντελεστών. Η ιδιότητα αυτή καθιστά τη μέθοδο ιδιαίτερα κατάλληλη για δεδομένα με φυσική διάταξη, όπως χρονοσειρές ή χωρικά δεδομένα. Θα γίνει συγκριτική αξιολόγηση των παραπάνω μεθόδων ως προς την ικανότητα επιλογής μεταβλητών, την πρόβλεψη και την ερμηνευσιμότητα των αποτελεσμάτων. Τέλος, θα προγραμματιστμούν εφαρμογές σε πραγματικά ή προσομοιωμένα δεδομένα, αναδεικνύοντας τα πλεονεκτήματα και τους περιορισμούς κάθε προσέγγισης.","Τhis thesis will study modern regularization methods for linear regression models, with emphasis on the Lasso, Adaptive Lasso, and Fused Lasso techniques. These methods have emerged as fundamental tools in the analysis of high-dimensional data, where the number of variables is large relative to the sample size. Initially, the classical Lasso method will be examined, as it enables simultaneous parameter estimation and variable selection, leading to sparse models with improved interpretability. Subsequently, extensions of the basic method will be considered. One important extension is the Adaptive Lasso, which introduces data-driven weights in the penalty applied to the coefficients, achieving improved properties in terms of correctly identifying the significant variables. A second method is the Fused Lasso, which, beyond variable selection, incorporates structural information among variables by encouraging the grouping of neighboring coefficients. This property makes the method particularly suitable for data with a natural ordering, such as time series or spatial data. A comparative evaluation of the above methods will be conducted with respect to variable selection capability, predictive performance, and interpretability of the results. Finally, applications will be implemented on real or simulated datasets, highlighting the advantages and limitations of each approach."],"dc:identifier":["uoadl:5422966","https://pergamos.lib.uoa.gr/uoa/dl/object/5422966"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["The lasso regression method and extensions"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:20:14Z"}