답변:
L1 정규화는 관련 계수에 앞서 Laplace (이중 지수)와 동일하므로 다음과 같이 수행 할 수 있습니다. 여기에는 세 개의 독립 변수 x1, x2 및 x3이 있으며 y는 이진 대상 변수입니다. 정규화 파라미터 ( ) 의 선택은 여기에 하이퍼 프리 어 (hyperprior)를 놓음으로써 수행되는데,이 경우에는 적당한 크기 범위에서 균일하다.
model {
# Likelihood
for (i in 1:N) {
y[i] ~ dbern(p[i])
logit(p[i]) <- b0 + b[1]*x1[i] + b[2]*x2[i] + b[3]*x3[i]
}
# Prior on constant term
b0 ~ dnorm(0,0.1)
# L1 regularization == a Laplace (double exponential) prior
for (j in 1:3) {
b[j] ~ ddexp(0, lambda)
}
lambda ~ dunif(0.001,10)
# Alternatively, specify lambda via lambda <- 1 or some such
}
dclone
R 의 패키지를 사용해보십시오 !
library(dclone)
x1 <- rnorm(100)
x2 <- rnorm(100)
x3 <- rnorm(100)
prob <- exp(x1+x2+x3) / (1+exp(x1+x2+x3))
y <- rbinom(100, 1, prob)
data.list <- list(
y = y,
x1 = x1, x2 = x2, x3 = x3,
N = length(y)
)
params = c("b0", "b", "lambda")
temp <- jags.fit(data.list,
params=params,
model="modela.jags",
n.chains=3,
n.adapt=1000,
n.update=1000,
thin=10,
n.iter=10000)
그리고 정규화되지 않은 로지스틱 회귀와 비교 한 결과는 다음과 같습니다.
> summary(temp)
<< blah, blah, blah >>
1. Empirical mean and standard deviation for each variable,
plus standard error of the mean:
Mean SD Naive SE Time-series SE
b[1] 1.21064 0.3279 0.005987 0.005641
b[2] 0.64730 0.3192 0.005827 0.006014
b[3] 1.25340 0.3217 0.005873 0.006357
b0 0.03313 0.2497 0.004558 0.005580
lambda 1.34334 0.7851 0.014333 0.014999
2. Quantiles for each variable: << deleted to save space >>
> summary(glm(y~x1+x2+x3, family="binomial"))
<< blah, blah, blah >>
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.02784 0.25832 0.108 0.9142
x1 1.34955 0.32845 4.109 3.98e-05 ***
x2 0.78031 0.32191 2.424 0.0154 *
x3 1.39065 0.32863 4.232 2.32e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
<< more stuff deleted to save space >>
그리고 우리는 세 가지 b
매개 변수가 실제로 0으로 축소되었음을 알 수 있습니다 .
Laplace 배포판의 하이퍼 파라미터 / 정규화 매개 변수에 대한 사전 지식에 대해서는 잘 모르겠습니다. 죄송합니다. 나는 균일 한 분포를 사용하는 경향이 있고, 후부를보고 그것이 엔드 포인트 근처에 쌓이지 않고 끔찍한 왜곡 문제가없는 중간에서 거의 정점에 도달 한 것처럼 합리적으로 잘 작동하는지 확인합니다. 지금까지는 일반적으로 그렇습니다. 분산 모수로 취급하고 Gelman의 권장 사항 사용 계층 구조 모델의 분산 모수에 대한 사전 분포도 나에게 효과적입니다.