全文总字数：3049字

1. 研究目的与意义及国内外研究现状

泰坦尼克号船员生存预测问题是kaggle 上的一个经典案例，传统的方法如线性回归解决此类优化问题时常常面临二个问题，即没有对模型中的变量进行筛选操作且没有对模型进行约束来避免过拟合的产生。本论文将使用带正则化项的 lasso 回归来建立求解模型，对上述线性回归中可能遇到的问题进行了改进，然后使用快速迭代收缩阈值算法对 lasso 回归进行优化，加速其迭代过程。最后进行实验来证明上述观点。

国内外研究现状

解决泰塔尼克号这类预测分析问题的方法有很多，目前主流解决方法主要有支持向量机（svm）、逻辑回归、决策树和线性回归等。

2. 研究的基本内容

1.对泰坦尼号船员信息进行数据分析处理，并建立数学模型，

2.研究lasso 回归模型的基本推导过程以及lasso回归中正则化项的意义

3.介绍快速迭代收缩阈值算法（fista）以及怎样用交叉验证法（cv）来确定正则化参数lambda。

3. 实施方案、进度安排及预期效果

实施方案：

从各类文献入手，在老师的指导下解决论文研究过程中遇到的各种问题。

4. 参考文献

1. 彭璐. 支持向量机分类算法研究与应用[d]. 湖南, 湖南大学, 2007.
2. 李卓冉. 逻辑回归方法原理与应用[j]. 中国战略新兴产业,2017(28): 114-115.
3. 龙际珍, 任海叶, 易华容.一种改进决策树算法的探讨[j].株洲师范高等专科学校学报,2006(02): 64-66.
4. tibshirani r. regression shrinkage and selection via the lasso[j]. journal of the royal statistical society:series b , 1996, 58 (1) : 267-288.
5. 田方彦. 一种改进的迭代收缩阈值算法[d]. 河北：河北工业大学,2014.
6. goldstein, t., osher, s., the split bregman method for l1-regularized problems[j]. siam imaging sciences., 2(2): 323–343.
7. 梁锡军. 稀疏优化在机器学习中的若干应用[d]. 大连：大连理工大学, 2013.
8. friedman, j., hastie, t., tibshirani, r.. additive logistic regression: a statistical view of boosting[j]. annals of statistics, 28: 337–374.
9. beck, a.,teboulle, m. a fast iterative shrinkage-thresholding algorithm with application to wavelet-based image deblurring[j]. siam imaging sciences, 2009, 2 (1): 183-202.combettes, p.l., pesquet, j. proximal thresholding algorithm for minimization over orthonormal bases[j]. siam j on optimization, 2007, 18(4): 1351–1376.
10. zhang, h., wahba, g., abd m. voelker, y. l., ferris,m., klein, r. klein, b. variable selection and model building via likelihood asis pursuit[j]. publications of the american statistical association, 2014, 99(467): 659-672.
11. 刘建伟. 正则化稀疏模型[j].计算机学报, 2015, 38(7): 1308-1321.