该研究提出了一种隐式正则化方法用于Fréchet回归，解决了变量选择不足的问题。该方法能够捕捉预测变量与响应之间的非线性互动，同时提高模型的稀疏性和选择一致性。

本文提出了一种稀疏梯度下降（Sp-GD）方法，旨在解决凸分段线性回归中的变量选择和参数估计精度问题。研究表明，在足够的数据支持下，Sp-GD能够准确恢复模型参数，显示其在高维数据分析中的应用潜力。

本文研究了随机森林在高维物质研究中的预测建模和变量选择方面的适用性。通过两个模拟研究，评估了Vita和Boruta变量选择程序的效果。结果表明，超参数的适当设置取决于数据中的相关结构，超参数的默认值并非总是适合于识别重要变量。因此，适当的取值因研究的目标是否在于优化预测性能或变量选择而异。