Вопрос « Что делать из этого лассо-графика (glmnet)» демонстрирует пути решения для оценки лассо, которые не являются монотонными. То есть некоторые коэффициенты растут по абсолютной величине, а затем сокращаются.
Я применил эти модели к нескольким видам наборов данных и никогда не видел такого поведения «в дикой природе», и до сегодняшнего дня предполагал, что они всегда были монотонными.
Существует ли четкий набор условий, при которых пути решения гарантированно будут монотонными? Влияет ли это на интерпретацию результатов, если пути меняют направление?
lasso
ridge-regression
elastic-net
shadowtalker
источник
источник
Ответы:
Я могу дать вам достаточное условие путь монотонный: ортонормированный дизайнX .
Предположим, ортонормированная матрица проектирования, то есть с переменными в , мы имеем, что . В ортонормированном дизайне коэффициенты регрессии OLS просто .X X ′ Xp X а р øLсек=Х'уX′Xn=Ip β^ols=X′yn
Условия Каруша-Хун-Такера для LASSO, таким образом, упрощаются, чтобы:
Где это суб градиент. Следовательно, для каждого у нас есть , и мы имеют замкнутую форму решения лассо оценок:J ∈ { 1 , ... , р } β о л ы J = β л с ы о J + λ s Js j∈{1,…,p} β^olsj=β^lassoj+λsj
Который монотонен в . Хотя это не является необходимым условием, мы видим , что немонотонность должна исходить из соотношения ковариата в .λ X
источник