National and Kapodistrian University of Athens
Πρόσφατες εξελίξεις στις μεθόδους LASSO κατά Bayes
Abstract
dc:descriptionΗ παρούσα διπλωματική εργασία πραγματεύεται τις πρόσφατες εξελίξεις στις μεθόδους LASSO κατά Bayes στα πλαίσια της εκτίμησης του υποδείγματος της κανονικής γραμμικής παλινδρόμησης. Ο τελεστής ελάχιστης απόλυτης συρρίκνωσης και επιλογής LASSO) αποτελεί μέθοδο επιλογής μεταβλητών. Βασίζεται σε αλγορίθμους κυρτού προγραμματισμού υπό τον περιορισμό (την ποινή) της L1 νόρμας, οι οποίοι επιλέγουν τις σημαντικές μεταβλητές, συρρικνώνοντας τους συντελεστές των μη σημαντικών μεταβλητών στο μηδέν. Αρχικά προτάθηκε από τον Tibshirani (1996) και εξελίχθηκε από τους Efron και συν. (2004), οι οποίοι πρότειναν τον αλγόριθμο LARS, ο οποίος επιτρέπει τον υπολογισμό του προφίλ LASSO με το ελάχιστο υπολογιστικό κόστος. Το LASSO κατά Bayes προκύπτει παρατηρώντας ότι κάθε περιορισμένος συντελεστής είναι ανάλογος της λογαριθμημένης συνάρτησης πυκνότητας της διπλής εκθετικής κατανομής. Η Μπεϋζιανή προσέγγιση είναι ιδιαίτερα χρήσιμη, επειδή προτείνει εκ των προτέρων δομές που επιτρέπουν, τόσο τον υπολογισμό της εκ των υστέρων κατανομής των παραμέτρων, όσο και τις περιθώριες πιθανοφάνειες, με σχετικά υψηλή υπολογιστική ακρίβεια. Αναφορικά, η ανάλυση της εκ των υστέρων κατανομής των επιμέρους υποδειγμάτων με τη μέθοδο του Hans (2009, 2010), διευκολύνει την επιλογή υποδείγματος στην περίπτωση υποδειγματικών χώρων μετρίου μεγέθους, απλουστεύοντας τη διαδικασία δειγματοληψίας. Οι Ντζούφρας και Λύκου (2013) προτείνουν μια μέθοδο επιλογής υποδείγματος, εξειδικεύοντας ταυτόχρονα το βαθμό συρρίκνωσης.
Author and committee
dc:creator, dc:contributor.*- Author dc:creator
-
- Εμμανουηλίδη Ελπιάννα
Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:1313737