Byłem ostatnio na kilku rozmowach statystycznych na temat Lasso (regularyzacja), a kwestią, która wciąż się pojawia, jest to, że tak naprawdę nie rozumiemy, dlaczego Lasso działa lub dlaczego działa tak dobrze. Zastanawiam się, do czego odnosi się to oświadczenie. Oczywiście rozumiem, dlaczego Lasso działa technicznie, zapobiegając nadmiernemu dopasowaniu poprzez kurczenie się parametrów, ale zastanawiam się, czy takie stwierdzenie ma głębsze znaczenie. Czy ktoś ma jakieś pomysły? Dzięki!
machine-learning
lasso
regularization
użytkownik321627
źródło
źródło
Odpowiedzi:
Czasami brakuje komunikacji między działającymi statystykami a społecznością teorii uczenia się, które badają podstawy metod takich jak lasso. Teoretyczne właściwości lasso są właściwie bardzo dobrze zrozumiane.
Ten dokument zawiera podsumowanie w sekcji 4 wielu właściwości, z których korzysta. Wyniki są dość techniczne, ale zasadniczo:
źródło
Jeśli rozumiejąc, dlaczego Lasso działa, masz na myśli zrozumienie, dlaczego dokonuje wyboru funkcji (tj. Ustawiając wagi dla niektórych funkcji na dokładnie 0), rozumiemy to bardzo dobrze:
źródło
Występuje problem odzyskiwania znaku spójności wyboru modelu (na co odpowiedzieli statystycy ) i
istnieje problem wnioskowania (konstruowania dobrych przedziałów ufności dla oszacowań), który jest tematem badań.
Większość pracy wykonują statystycy, a nie „społeczność teorii uczenia się”.
źródło