选择要包含在回归中的稀疏主成分的数量

有没有人有经验来选择要包含在回归模型中的稀疏主成分的数量？

虽然我对您的问题没有直接的见解，但我遇到了一些研究论文，这可能对您很感兴趣。也就是说，当然，如果我正确理解您在谈论稀疏PCA，主成分回归和相关主题。在这种情况下，以下是论文：

• 稀疏PCA用于离群值高的数据
• 鲁棒的稀疏主成分分析
• 高维椭圆模型下的鲁棒稀疏主成分回归
• 结构化稀疏主成分分析
• 稳健的主成分分析？

交叉验证结果还用于确定LSI空间的最佳尺寸数。太少的维度没有利用数据的预测能力；而尺寸过多会导致过拟合。图4显示了具有不同数量LSI尺寸的模型的平均误差分布。具有四维LSI空间的模型产生的平均错误数最少，而错误的中值数也最少，因此最终模型是使用四维LSI空间构建的。

http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=5876870&url=http%3A%2F%2Fieeexplore.ieee.org%2Fxpls%2Fabs_all.jsp%3Farnumber%3D5876870

如果您不是ieee成员，我可以发布副本。

这是我在本科生写的一篇论文。我遇到一个问题，需要决定在逻辑回归模型中使用多少维（潜在语义索引类似于PCA）。我所做的就是选择一个指标（即，使用标记概率为.5时的错误率），并查看了在不同数量的维度上训练的不同模型的错误率分布。然后，我选择了错误率最低的模型。您可以使用其他指标，例如ROC曲线下的面积。

您还可以使用逐步回归之类的方法为您选择尺寸数。您具体执行哪种类型的回归？

稀疏顺便说一句是什么意思？