sparse-matrix - LASSO 和稀疏解决方案
问题描述
在一段文字中,我发现了以下内容:
“LASSO 回归方法提供了稀疏解决方案,因此可以提高模型的可解释性”。
有人可以帮我理解这是什么意思吗?据我所知,方程组解的稀疏分解是维数为 l 的向量,具有最小伪 l 范数,使得系统仍然得到满足。将一些回归系数设置为零的稀疏解决方案如何有助于解释?
解决方案
当您的矩阵主要包含零和很少的非零条目时,稀疏矩阵/数组或任何定义。另一方面,密集矩阵/数组是当你有几个零时。
当您应用 LASSO 回归时,您学习的系数的稀疏性取决于惩罚量 (lambda)。惩罚越高,你得到的稀疏系数就越多。即非零系数(选定变量)。例如,如果您的回归中有 100 个自变量,则 LASSO 可能仅返回 10 个非零变量。这意味着 10 个非零变量和 90 个零变量。这正是稀疏的含义。
选择很少的变量(非零)意味着可解释的模型,因为您可以用很少的变量(在上面的示例中为 10 个变量)而不是使用 100 个变量来解释它。
推荐阅读
- swift - AVPlayer seek 后的当前时间不正确
- powershell - 无法使用 powershell export-csv 将错误消息附加到 csv
- exception - system.invalidoperationexception 序列在 system.linq.enumerable.first[TSource]{IEnumaberable`1 source} 处不包含任何元素
- linux - ParaView、Surface pro 6 Linux 中的小图标
- php - CardDAV 从 iCloud 获取所有联系人
- c# - 从字符串中删除点
- firebase - firebase部署功能上的触发功能
- reactjs - 如何模拟输入 onChange 事件,然后模拟点击结果
- javascript - 从 ftp 获取文件并在控制台中显示文件目录路径 - Node.js
- javascript - 如何将 JavaScript [对象字符串] 转换为 HTMLElement?