Pembelajaran Statistik dan hasilnya saat ini meresap dalam Ilmu Sosial. Beberapa bulan yang lalu, Guido Imbens berkata: "LASSO adalah OLS baru". Saya belajar Machine Learning sedikit, dan saya tahu bahwa tujuan utamanya adalah prediksi. Saya juga setuju dengan perbedaan Leo Breiman antara dua...
Saya mundur prediktor kontinu pada lebih dari 60 variabel (baik kontinu dan kategoris) menggunakan LASSO (glmnet). Dalam memeriksa plot jejak variabel, saya perhatikan bahwa seiring bertambahnya log lambda, salah satu variabel kunci memiliki koefisien yang benar-benar meningkat. Kemudian, setelah...
Saya mengerti bahwa penginderaan terkompresi menemukan solusi yang paling jarang y=Axy=Axy = Ax dimana x∈RDx∈RDx \in \mathbb{R}^D, A∈Rk×DA∈Rk×DA \in \mathbb{R}^{k \times D}, dan y∈Rky∈Rky \in \mathbb{R}^{k}, k<<Dk<<Dk
Saya melakukan laso dan kemudian meninggalkan validasi silang keluar-keluar cv<-cv.glmnet(df, df$Price, nfolds = 1500) Ketika saya merencanakan cv saya mendapatkan yang berikut: Saya juga memperhatikan bahwa saya mendapatkan 2 lambda berbeda: lambda.mindanlambda.1se Apa perbedaan antara...
Adakah yang bisa memberikan pandangan intuitif tentang mengapa lebih baik memiliki beta yang lebih kecil? Untuk LASSO saya bisa mengerti itu, ada komponen pemilihan fitur di sini. Lebih sedikit fitur membuat model lebih sederhana dan karena itu lebih kecil kemungkinannya untuk pas. Namun, untuk...
Laso dan jaring elastis tidak mampu menangani variabel dengan lebih dari dua kategori dan oleh karena itu pemisahan variabel kategorikal menjadi boneka diperlukan untuk penerapan metode ini. Ini dapat mengakibatkan beberapa masalah dan oleh karena itu ada ekstensi untuk laso ke laso kelompok atau...
Saya punya dataset dengan 338 prediktor dan 570 instance (sayangnya tidak dapat diunggah) di mana saya menggunakan Lasso untuk melakukan pemilihan fitur. Secara khusus, saya menggunakan cv.glmnetfungsi dari glmnetsebagai berikut, di mana mydata_matrixmatriks biner 570 x 339 dan hasilnya adalah...
Apa kerugian menggunakan jaring elastis dibandingkan dengan laso. Saya tahu bahwa jaring elastis dapat memilih kelompok variabel ketika mereka sangat berkorelasi. Itu tidak memiliki masalah memilih lebih dari prediktor ketika . Sedangkan laso jenuh ketika .nnnp ≫ np≫np \gg np ≫ np≫np \gg n Ketika...