Репликация результатов для линейной регрессии glmnet с использованием универсального оптимизатора

10

Как говорится в заголовке, я пытаюсь воспроизвести результаты из glmnet linear, используя оптимизатор LBFGS из библиотеки lbfgs. Этот оптимизатор позволяет нам добавлять член регуляризатора L1, не беспокоясь о дифференцируемости, если наша целевая функция (без члена регуляризатора L1) выпуклая.

minβRp12nβ0+Xβy22+αλβ1+12(1α)λβ22
XRn×pyRpα[0,1]λ>0xp

Приведенный ниже код определяет функцию, а затем включает тест для сравнения результатов. Как вы можете видеть, результаты приемлемы, когда alpha = 1, но они далеки от значений alpha < 1.. Ошибка ухудшается с переходом alpha = 1к alpha = 0, как показано на следующем графике («метрика сравнения» - это среднее евклидово расстояние между оценками параметров glmnet и lbfgs для заданного пути регуляризации).

введите описание изображения здесь

Хорошо, вот код Я добавил комментарии, где это возможно. Мой вопрос: почему мои результаты отличаются от результатов glmnetдля значений alpha < 1? Это явно связано с термином регуляризации L2, но, насколько я могу судить, я реализовал этот термин именно так, как описано в статье. Любая помощь приветствуется!

library(lbfgs)
linreg_lbfgs <- function(X, y, alpha = 1, scale = TRUE, lambda) {
  p <- ncol(X) + 1; n <- nrow(X); nlambda <- length(lambda)

  # Scale design matrix
  if (scale) {
    means <- colMeans(X)
    sds <- apply(X, 2, sd)
    sX <- (X - tcrossprod(rep(1,n), means) ) / tcrossprod(rep(1,n), sds)
  } else {
    means <- rep(0,p-1)
    sds <- rep(1,p-1)
    sX <- X
  }
  X_ <- cbind(1, sX)

  # loss function for ridge regression (Sum of squared errors plus l2 penalty)
  SSE <- function(Beta, X, y, lambda0, alpha) {
    1/2 * (sum((X%*%Beta - y)^2) / length(y)) +
      1/2 * (1 - alpha) * lambda0 * sum(Beta[2:length(Beta)]^2) 
                    # l2 regularization (note intercept is excluded)
  }

  # loss function gradient
  SSE_gr <- function(Beta, X, y, lambda0, alpha) {
    colSums(tcrossprod(X%*%Beta - y, rep(1,ncol(X))) *X) / length(y) + # SSE grad
  (1-alpha) * lambda0 * c(0, Beta[2:length(Beta)]) # l2 reg grad
  }

  # matrix of parameters
  Betamat_scaled <- matrix(nrow=p, ncol = nlambda)

  # initial value for Beta
  Beta_init <- c(mean(y), rep(0,p-1)) 

  # parameter estimate for max lambda
  Betamat_scaled[,1] <- lbfgs(call_eval = SSE, call_grad = SSE_gr, vars = Beta_init, 
                              X = X_, y = y, lambda0 = lambda[2], alpha = alpha,
                              orthantwise_c = alpha*lambda[2], orthantwise_start = 1, 
                              invisible = TRUE)$par

  # parameter estimates for rest of lambdas (using warm starts)
  if (nlambda > 1) {
    for (j in 2:nlambda) {
      Betamat_scaled[,j] <- lbfgs(call_eval = SSE, call_grad = SSE_gr, vars = Betamat_scaled[,j-1], 
                                  X = X_, y = y, lambda0 = lambda[j], alpha = alpha,
                                  orthantwise_c = alpha*lambda[j], orthantwise_start = 1, 
                                  invisible = TRUE)$par
    }
  }

  # rescale Betas if required
  if (scale) {
    Betamat <- rbind(Betamat_scaled[1,] -
colSums(Betamat_scaled[-1,]*tcrossprod(means, rep(1,nlambda)) / tcrossprod(sds, rep(1,nlambda)) ), Betamat_scaled[-1,] / tcrossprod(sds, rep(1,nlambda)) )
  } else {
    Betamat <- Betamat_scaled
  }
  colnames(Betamat) <- lambda
  return (Betamat)
}

# CODE FOR TESTING
# simulate some linear regression data
n <- 100
p <- 5
X <- matrix(rnorm(n*p),n,p)
true_Beta <- sample(seq(0,9),p+1,replace = TRUE)
y <- drop(cbind(1,X) %*% true_Beta)

library(glmnet)

# function to compare glmnet vs lbfgs for a given alpha
glmnet_compare <- function(X, y, alpha) {
  m_glmnet <- glmnet(X, y, nlambda = 5, lambda.min.ratio = 1e-4, alpha = alpha)
  Beta1 <- coef(m_glmnet)
  Beta2 <- linreg_lbfgs(X, y, alpha = alpha, scale = TRUE, lambda = m_glmnet$lambda)
  # mean Euclidean distance between glmnet and lbfgs results
  mean(apply (Beta1 - Beta2, 2, function(x) sqrt(sum(x^2))) ) 
}

# compare results
alpha_seq <- seq(0,1,0.2)
plot(alpha_seq, sapply(alpha_seq, function(alpha) glmnet_compare(X,y,alpha)), type = "l", ylab = "Comparison metric")

@ hxd1011 Я попробовал ваш код, вот несколько тестов (я сделал несколько незначительных изменений, чтобы соответствовать структуре glmnet - обратите внимание, мы не упорядочиваем член перехвата, и функции потерь должны масштабироваться). Это для alpha = 0, но вы можете попробовать любой alpha- результаты не совпадают.

rm(list=ls())
set.seed(0)
# simulate some linear regression data
n <- 1e3
p <- 20
x <- matrix(rnorm(n*p),n,p)
true_Beta <- sample(seq(0,9),p+1,replace = TRUE)
y <- drop(cbind(1,x) %*% true_Beta)

library(glmnet)
alpha = 0

m_glmnet = glmnet(x, y, alpha = alpha, nlambda = 5)

# linear regression loss and gradient
lr_loss<-function(w,lambda1,lambda2){
  e=cbind(1,x) %*% w -y
  v= 1/(2*n) * (t(e) %*% e) + lambda1 * sum(abs(w[2:(p+1)])) + lambda2/2 * crossprod(w[2:(p+1)])
  return(as.numeric(v))
}

lr_loss_gr<-function(w,lambda1,lambda2){
  e=cbind(1,x) %*% w -y
  v= 1/n * (t(cbind(1,x)) %*% e) + c(0, lambda1*sign(w[2:(p+1)]) + lambda2*w[2:(p+1)])
  return(as.numeric(v))
}

outmat <- do.call(cbind, lapply(m_glmnet$lambda, function(lambda) 
  optim(rnorm(p+1),lr_loss,lr_loss_gr,lambda1=alpha*lambda,lambda2=(1-alpha)*lambda,method="L-BFGS")$par
))

glmnet_coef <- coef(m_glmnet)
apply(outmat - glmnet_coef, 2, function(x) sqrt(sum(x^2)))
user3294195
источник
Я не уверен, что ваш вопрос относится к теме (я думаю, что это может быть, поскольку речь идет о базовом методе оптимизации), и я не могу действительно проверить ваш код сейчас, но lbfgsподнимает вопрос об orthantwise_cаргументе относительно glmnetэквивалентности.
Firebug
Проблема на самом деле не в том, lbfgsи orthantwise_cкогда alpha = 1решение почти такое же, как в случае glmnet. Это связано со стороной регуляризации L2, то есть когда alpha < 1. Я думаю, что внесу какое-то изменение в определение SSEи SSE_grдолжен исправить это, но я не уверен, какой должна быть модификация - насколько я знаю, эти функции определены точно так, как описано в статье glmnet.
user3294195 25.09.16
Это может быть больше стеком потока, вопрос программирования.
Мэтью Ганн
3
Я думал, что это больше связано с оптимизацией и регуляризацией, а не с самим кодом, поэтому я разместил его здесь.
user3294195
1
Для чистого вопроса оптимизации, scicomp.stackexchange.com также вариант. Я не уверен, есть ли какие-то вопросы по конкретным темам? (например, «сделай это в R»)
GeoMatt22

Ответы:

11

TL; DR версия:

Цель неявно содержит масштабный коэффициент , где - стандартное отклонение выборки.s^=sd(y)sd(y)

Более длинная версия

Если вы прочитаете мелкий шрифт документации по glmnet, вы увидите:

Обратите внимание, что целевая функция для «гауссов»

               1/2  RSS/nobs + lambda*penalty,                  

а для других моделей это

               -loglik/nobs + lambda*penalty.                   

Отметим также, что для «gaussian», «glmnet» стандартизирует y, чтобы иметь единичную дисперсию перед вычислением его лямбда-последовательности (а затем нестандартно вычисляет результирующие коэффициенты); если вы хотите воспроизвести / сравнить результаты с другим программным обеспечением, лучше всего предоставить стандартизированный y.

Теперь это означает, что целью является и этот glmnet сообщает .

12ny/s^Xβ22+λαβ1+λ(1α)β22,
β~=s^β

Теперь, когда вы использовали чистый лассо ( ), тогда нестандартность glmnet означает, что ответы эквивалентны. С другой стороны, с чистым гребнем, вам нужно масштабировать штраф в коэффициент для согласования пути, потому что дополнительный квадрат появляется из квадрата в штрафной . Для промежуточного не существует простого способа масштабировать штраф коэффициентов для воспроизведения выходных данных.α=1β~1/s^glmnets^2αglmnets

Как только я масштабирую чтобы иметь единичную дисперсию, я нахожу yвведите описание изображения здесь

который все еще не совпадает точно. Похоже, это связано с двумя вещами:

  1. Лямбда-последовательность может быть слишком короткой, чтобы алгоритм циклического спуска с теплым стартом был полностью сходящимся.
  2. В ваших данных нет ошибки ( регрессии равно 1).R2
  3. Также обратите внимание, что в коде есть ошибка, которая предусмотрена lambda[2]для первоначальной подгонки, но это должно быть lambda[1].

Как только я исправляю пункты 1-3, я получаю следующий результат (хотя YMMV зависит от случайного начального числа):

введите описание изображения здесь

Андрей М
источник