Un metodo di regolarizzazione per i modelli di regressione che riduce i coefficienti verso zero, rendendone alcuni uguali a zero. Pertanto il lazo esegue la selezione delle funzioni.
In diverse risposte ho visto gli utenti di CrossValidated suggerire che OP ha trovato i primi articoli su Lasso, Ridge e Elastic Net. Per i posteri, quali sono le opere seminali su Lasso, Ridge e Elastic Net?
Se ho una matrice di progettazione , dove è il numero di osservazioni della dimensione , qual è la complessità della risoluzione per con LASSO, wrt e ? Penso che la risposta dovrebbe fare riferimento a come una iterazione LASSO si ridimensiona con questi parametri, piuttosto che a come il …
Di recente ho avuto alcuni colloqui statistici sul Lazo (regolarizzazione) e un punto che continua a emergere è che non capiamo davvero perché il Lazo funzioni o perché funzioni così bene. Mi chiedo a cosa si riferisca questa affermazione. Ovviamente capisco perché il Lazo funziona tecnicamente, prevenendo l'eccessivo adattamento mediante …
[Una domanda simile è stata posta qui senza risposte] Ho adattato un modello di regressione logistica con la regolarizzazione L1 (regressione logistica Lazo) e vorrei testare i coefficienti adattati per la significatività e ottenere i loro valori p. So che i test di Wald (per esempio) sono un'opzione per testare …
Mi chiedo come affrontare l'addestramento corretto e testare un modello LASSO usando glmnet in R? In particolare, mi chiedo come farlo se la mancanza di un set di dati di test esterno richiede l'uso della convalida incrociata (o altro approccio simile) per testare il mio modello LASSO. Vorrei analizzare il …
Nel mio corso di apprendimento automatico, abbiamo appreso come la regressione di LASSO è molto efficace nell'esecuzione della selezione delle funzionalità, poiché utilizza la regolarizzazione .l1l1l_1 La mia domanda: le persone usano normalmente il modello LASSO solo per fare la selezione delle funzioni (e quindi procedono a scaricare quelle caratteristiche …
Ho ottenuto tre modelli ridotti da un modello completo originale usando selezione in avanti eliminazione all'indietro Tecnica di penalizzazione L1 (LASSO) Per i modelli ottenuti utilizzando la selezione in avanti / eliminazione all'indietro, ho ottenuto la stima convalidata incrociata dell'errore di predizione utilizzando CVlmnel pacchetto DAAGdisponibile in R. Per il …
Stavo leggendo questo articolo relativo alla rete elastica. Dicono che usano la rete elastica perché se usiamo semplicemente Lasso tende a selezionare solo un predittore tra i predittori che sono altamente correlati. Ma non è questo ciò che vogliamo. Voglio dire, non ci salva dal problema della multicollinearità. Qualche suggerimento …
Sto cercando una risposta intuitiva al perché un modello GLM LASSO seleziona un predittore specifico da un gruppo di quelli altamente correlati e perché lo fa in modo diverso dalla migliore selezione delle funzioni del sottoinsieme. Dalla geometria di LASSO mostrata in Fig. 2 in Tibshirani 1996 sono portato a …
Sto adattando un modello lineare in R usando glmnet. Il modello originale (non regolarizzato) è stato montato usando lme non aveva un termine costante (cioè era nella forma lm(y~0+x1+x2,data)). glmnetprende una matrice di predittori e un vettore di risposte. Ho letto la glmnetdocumentazione e non trovo alcuna menzione del termine …
Come eseguire la regressione della cresta non negativa? Il lazo non negativo è disponibile in scikit-learn, ma per la cresta, non posso applicare la non negatività dei beta e, in effetti, sto ottenendo coefficienti negativi. qualcuno sà perche è cosi? Inoltre, posso implementare la cresta in termini di minimi quadrati …
La funzione R cv.glm (libreria: avvio) calcola l'errore di stima della convalida incrociata K stimato per i modelli lineari generalizzati e restituisce delta. Ha senso usare questa funzione per una regressione del lazo (libreria: glmnet) e, in tal caso, come può essere eseguita? La libreria glmnet usa una validazione incrociata …
I modelli penalizzati possono essere utilizzati per stimare modelli in cui il numero di parametri è uguale o addirittura maggiore della dimensione del campione. Questa situazione può verificarsi in modelli log-lineari di grandi tabelle sparse di dati categorici o di conteggio. In queste impostazioni, è spesso anche desiderabile o utile …
Ho un set di dati con circa 5.000 funzionalità / covariate spesso correlate e una risposta binaria. I dati mi sono stati forniti, non li ho raccolti. Uso il lazo e l'incremento gradiente per costruire modelli. Uso convalida incrociata nidificata iterata. Riporto i 40 coefficienti (assoluti) più grandi di Lasso …
Sono consapevole che è prassi comune standardizzare le caratteristiche per la regressione della cresta e del lazo, tuttavia, sarebbe mai più pratico normalizzare le caratteristiche su una scala (0,1) come alternativa alla standardizzazione del punteggio z per questi metodi di regressione?
We use cookies and other tracking technologies to improve your browsing experience on our website,
to show you personalized content and targeted ads, to analyze our website traffic,
and to understand where our visitors are coming from.
By continuing, you consent to our use of cookies and other tracking technologies and
affirm you're at least 16 years old or have consent from a parent or guardian.