Pertanyaan Apa yang harus disimpulkan dari plot laso ini (glmnet) menunjukkan jalur solusi untuk estimator laso yang tidak monoton. Artinya, beberapa kopi tumbuh dalam nilai absolut sebelum menyusut.
Saya telah menerapkan model ini pada beberapa jenis kumpulan data yang berbeda dan tidak pernah melihat perilaku ini "di alam liar," dan sampai hari ini mengasumsikan bahwa mereka selalu monoton.
Apakah ada serangkaian kondisi di mana jalur solusi dijamin monoton? Apakah itu memengaruhi interpretasi hasil jika jalurnya berubah arah?
lasso
ridge-regression
elastic-net
shadowtalker
sumber
sumber
Jawaban:
Saya bisa memberi Anda cukup syarat untuk jalan menjadi monoton: desain ortonormal dariX .
Misalkan matriks desain ortonormal, yaitu, dengan variabel dalam , kita memiliki . Dengan desain ortonormal, koefisien regresi OLS hanyalah .X X ′ Xhal X β ols=X'yX′Xn= Sayahal β^o l s= X′yn
Kondisi Karush-Khun-Tucker untuk LASSO dengan demikian mempermudah untuk:
Di mana adalah gradien sub. Karenanya, untuk setiap kita memiliki , dan kami memiliki solusi formulir tertutup untuk perkiraan laso:j ∈ { 1 , ... , p } β o l s j = β l a s s o j + λ s js j ∈ { 1 , ... , p } β^o l sj= β^l a s s oj+ λ dtkj
Yang monoton di . Meskipun ini bukan kondisi yang diperlukan, kita melihat bahwa non-monotonicity harus berasal dari korelasi dari kovariat di .λ X
sumber