Mengapa LASSO tidak menemukan pasangan prediktor saya yang sempurna pada dimensi tinggi?

20

Saya menjalankan percobaan kecil dengan regresi LASSO dalam R untuk menguji apakah ia dapat menemukan pasangan prediktor yang sempurna. Pasangan didefinisikan seperti ini: f1 + f2 = hasil

Hasilnya di sini adalah vektor yang telah ditentukan yang disebut 'usia'. F1 dan f2 dibuat dengan mengambil setengah dari vektor usia dan mengatur sisa nilai ke 0, misalnya: age = [1,2,3,4,5,6], f1 = [1,2,3, 0,0,0] dan f2 = [0,0,0,4,5,6]. Saya menggabungkan pasangan prediktor ini dengan peningkatan jumlah variabel yang dibuat secara acak dengan mengambil sampel dari distribusi normal N (1,1).

Apa yang saya lihat adalah ketika saya menekan 2 ^ 16 variabel, LASSO tidak menemukan pasangan saya lagi. Lihat hasil di bawah ini.

Jumlah fitur per lipatan per ukuran dataKoefisien pasangan sempurna

Mengapa ini terjadi? Anda dapat mereproduksi hasil dengan skrip di bawah ini. Saya perhatikan bahwa ketika saya memilih vektor usia yang berbeda, misalnya: [1: 193] maka LASSO menemukan pasangan pada dimensi tinggi (> 2 ^ 16).

Naskah:

## Setup ##
library(glmnet)
library(doParallel)
library(caret)

mae <- function(errors){MAE <- mean(abs(errors));return(MAE)}
seed = 1
n_start <- 2 #start at 2^n features
n_end <- 16 #finish with 2^n features
cl <- makeCluster(3)
registerDoParallel(cores=cl)

#storage of data
features <- list()
coefs <- list()
L <- list() 
P <- list() 
C <- list() 
RSS <- list() 

## MAIN ##
for (j in n_start:n_end){
  set.seed(seed)
  age <- c(55,31,49,47,68,69,53,42,58,67,60,58,32,52,63,31,51,53,37,48,31,58,36,42,61,49,51,45,61,57,52,60,62,41,28,45,39,47,70,33,37,38,32,24,66,54,59,63,53,42,25,56,70,67,44,33,50,55,60,50,29,51,49,69,70,36,53,56,32,43,39,43,20,62,46,65,62,65,43,40,64,61,54,68,55,37,59,54,54,26,68,51,45,34,52,57,51,66,22,64,47,45,31,47,38,31,37,58,66,66,54,56,27,40,59,63,64,27,57,32,63,32,67,38,45,53,38,50,46,59,29,41,33,40,33,69,42,55,36,44,33,61,43,46,67,47,69,65,56,34,68,20,64,41,20,65,52,60,39,50,67,49,65,52,56,48,57,38,48,48,62,48,70,55,66,58,42,62,60,69,37,50,44,61,28,64,36,68,57,59,63,46,36)
  beta2 <- as.data.frame(cbind(age,replicate(2^(j),rnorm(length(age),1,1))));colnames(beta2)[1] <-'age'

  f1 <- c(age[1:96],rep(0,97)) 
  f2 <- c(rep(0,96),age[97:193])
  beta2 <- as.data.frame(cbind(beta2,f1,f2))

  #storage variables
  L[[j]] <- vector()
  P[[j]] <- vector()
  C[[j]] <- list()
  RSS[[j]] <- vector()

  #### DCV LASSO ####
  set.seed(seed) #make folds same over 10 iterations
  for (i in 1:10){

    print(paste(j,i))
    index <- createFolds(age,k=10)
    t.train <- beta2[-index[[i]],];row.names(t.train) <- NULL
    t.test <- beta2[index[[i]],];row.names(t.test) <- NULL

    L[[j]][i] <- cv.glmnet(x=as.matrix(t.train[,-1]),y=as.matrix(t.train[,1]),parallel = T,alpha=1)$lambda.min #,lambda=seq(0,10,0.1)
    model <- glmnet(x=as.matrix(t.train[,-1]),y=as.matrix(t.train[,1]),lambda=L[[j]][i],alpha=1)
    C[[j]][[i]] <- coef(model)[,1][coef(model)[,1] != 0]
    pred <- predict(model,as.matrix(t.test[,-1]))
    RSS[[j]][i] <- sum((pred - t.test$age)^2)
    P[[j]][i] <- mae(t.test$age - pred)
    gc()
  }
}

##############
## PLOTTING ##
##############

#calculate plots features
beta_sum = unlist(lapply(unlist(C,recursive = F),function(x){sum(abs(x[-1]))}))
penalty = unlist(L) * beta_sum
RSS = unlist(RSS)
pair_coefs <- unlist(lapply(unlist(C,recursive = F),function(x){
  if('f1' %in% names(x)){f1 = x['f1']}else{f1=0;names(f1)='f1'}
  if('f2' %in% names(x)){f2 = x['f2']}else{f2=0;names(f2)='f2'}
  return(c(f1,f2))}));pair_coefs <- split(pair_coefs,c('f1','f2'))
inout <- lapply(unlist(C,recursive = F),function(x){c('f1','f2') %in% names(x)})
colors <- unlist(lapply(inout,function(x){if (x[1]*x[2]){'green'}else{'red'}}))
featlength <- unlist(lapply(unlist(C,recursive = F),function(x){length(x)-1}))

#diagnostics
plot(rep(n_start:n_end,each=10),pair_coefs$f1,col='red',xaxt = "n",xlab='n/o randomly generated features (log2)',main='Pair Coefficients',ylim=c(0,1),ylab='pair coefficients');axis(1, at=n_start:n_end);points(rep(n_start:n_end,each=10),pair_coefs$f2,col='blue');axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('bottomleft',fill=c('red','blue'),legend = c('f1','f2'),inset=.02)
plot(rep(n_start:n_end,each=10),RSS+penalty,col=colors,xaxt = "n",xlab='n/o randomly generated features (log2)',main='RSS+penalty');axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('topleft',fill=c('green','red'),legend = c('Pair Selected','Pair not Selected'),inset=.02)
plot(rep(n_start:n_end,each=10),penalty,col=colors,xaxt = "n",xlab='n/o randomly generated features (log2)',main='Penalty');axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('topleft',fill=c('green','red'),legend = c('Pair Selected','Pair not Selected'),inset=.02)
plot(rep(n_start:n_end,each=10),RSS,col=colors,xaxt = "n",xlab='n/o randomly generated features (log2)',main='RSS');axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('topleft',fill=c('green','red'),legend = c('Pair Selected','Pair not Selected'),inset=.02)
plot(rep(n_start:n_end,each=10),unlist(L),col=colors,xaxt = "n",xlab='n/o randomly generated features (log2)',main='Lambdas',ylab=expression(paste(lambda)));axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('topleft',fill=c('green','red'),legend = c('Pair Selected','Pair not Selected'),inset=.02)
plot(rep(n_start:n_end,each=10),featlength,ylab='n/o features per fold',col=colors,xaxt = "n",xlab='n/o randomly generated features (log2)',main='Features per Fold');axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('topleft',fill=c('green','red'),legend = c('Pair Selected','Pair not Selected'),inset=.02)
plot(penalty,RSS,col=colors,main='Penalty vs. RSS')
r regression feature-selection lasso high-dimensional Ansjovis86
sumber
komentar minor: karena penggunaan 'createFolds', Anda juga memerlukan paket 'caret' dimuat.
IWS
2
Lihat teorema 2a dari 'Wainwright: Ambang tajam untuk pemulihan sparsitas dimensi tinggi dan bising'. Dalam rezim Anda berada, di mana dukungan sebenarnya memiliki kardinalitas 2 tetap, dan p tumbuh dengan n tetap, tampaknya ada korelasi yang sangat tinggi jika ada cukup fitur, yang mengarah pada kemungkinan rendah keberhasilan pemulihan dukungan. yang Anda perhatikan. (Namun, karena vektor yang tidak ada dalam dukungan sebenarnya cukup kecil (rata-rata 0 varians 1), sepertinya ini mungkin bukan alasan karena fitur usia sebenarnya memiliki entri yang sangat besar.)
user795305
1
@ Ben, saya pikir ini adalah penjelasan yang benar, dan mengingat popularitas pertanyaan ini, akan sangat bagus, jika Anda bisa memberikan jawaban yang menjelaskan mengapa demikian.
NRH
1
@ Maddenker ^selalu mengembalikan argumen bilangan bulat untuk bilangan bulat atau ganda di R. R juga beralih ke ganda jika bilangan bulat bilangan bulat akan terjadi.
Roland
1
FYI: Saya telah menambahkan skrip yang diperbarui pada halaman github saya. Dalam skrip ini saya menggunakan lebih sedikit sampel, yang menginduksi masalah sudah pada 2 ^ 5 variabel. Ini memungkinkan waktu lari cepat dan memungkinkan Anda untuk bereksperimen lebih banyak dengan data: github.com/sjorsvanheuveln/LASSO_pair_problem
Ansjovis86

Jawaban:

4

p>n

Laso adalah alat yang populer untuk regresi linear jarang, terutama untuk masalah di mana jumlah variabel melebihi jumlah pengamatan. Tetapi ketika p> n, kriteria laso tidak sepenuhnya cembung, dan karenanya mungkin tidak memiliki minimizer unik.

Seperti yang disebutkan @ben, ketika Anda memiliki 2e16 kovariat, tidak seperti beberapa yang sangat mirip dengan kovariat sejati. Oleh karena itu mengapa poin di atas relevan: LASSO acuh tak acuh untuk memilih salah satu.

Mungkin lebih relevan dan baru-baru ini (2013), ada makalah Candes lain tentang bagaimana, bahkan ketika kondisi statistik ideal (prediktor tidak berkorelasi, hanya beberapa efek besar), LASSO masih menghasilkan positif palsu, seperti apa yang Anda lihat dalam data Anda:

Dalam pengaturan regresi di mana variabel penjelas memiliki korelasi yang sangat rendah dan ada efek yang relatif sedikit, masing-masing besarnya besar, kami berharap Lasso menemukan variabel penting dengan sedikit kesalahan, jika ada. Makalah ini menunjukkan bahwa dalam rezim sparsity linear --- yang berarti bahwa fraksi variabel dengan efek non-vanishing cenderung konstan, betapapun kecil --- ini tidak dapat benar-benar terjadi, bahkan ketika variabel desain stochastically independen .

Mustafa S Eisa
sumber
Saya tidak tahu itu. Saya pikir LASSO adalah alat standar dan andal untuk mengidentifikasi model yang jarang (atau setidaknya itu kesan saya dengan membaca dua buku Hastie dan Tibshirani, dan dengan menggunakan metode itu sendiri). Karena Anda mengatakan masalahnya terkenal, apakah Anda tahu jika ada juga solusi / dan atau pendekatan alternatif?
DeltaIV
Jika saya mengerti dengan benar, hasil ini tampaknya hanya untuk linear sparsity, sementara masalah yang dihadapi menyangkut sub linear sparsity
user795305
@ Ben, tentu saja, tapi itu tidak membuat kertas itu tidak relevan. Ini adalah salah satu karya literatur terbaru yang saya ketahui yang menyentuh masalah ini. Saya pikir itu menunjukkan sesuatu yang sederhana: Bahkan dengan kondisi statistik yang ideal, LASSO tidak memiliki properti terbaik.
Mustafa S Eisa
@DeltaIV, LASSO adalah heuristik optimasi cembung untuk tujuan pemilihan variabel. Dalam buku Tibshirani, mereka menunjukkan bahwa ia dapat mengikuti jalur yang serupa dengan metode AIC atau langkah-bijaksana, tetapi ini bukan jaminan. Menurut pendapat saya, sebagian besar masalah berasal dari fakta bahwa itu adalah heuristik dan bukan hal yang nyata, tetapi Anda menyerah untuk mendapatkan kecemburuan yang memiliki sifat bagus lainnya.
Mustafa S Eisa