{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1313737"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1313737","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Πρόσφατες εξελίξεις στις μεθόδους LASSO κατά Bayes","abstract":"Η 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.","abstract_html":"Η 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.","abstract_has_math":false,"creators":["Εμμανουηλίδη Ελπιάννα"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016","date_published":"2016","updated_at":"2026-11-19T05:23:16Z","subjects":[],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1313737"],"render_values":[{"text":"uoadl:1313737","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1313737","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1313737","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1313737","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Εμμανουηλίδη Ελπιάννα"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2016"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1313737","https://pergamos.lib.uoa.gr/uoa/dl/object/1313737"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η 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.","This dissertation is concerned with the recent developments in the literature of the Bayesian lasso in the context of the normal linear regression model. The least absolute shrinkage and selection operator (LASSO), is a shrinkage method which selects important predictors among a large set of covariates. In this effect, it relies on convex programming algorithms including a penalty which implement selection by shrinking the coefficients of unimportant variables towards zero. The lasso was originally proposed by Tibshirani (1996) and was further developed by Efron et al. (2004), who proposed the LARS, a computationally efficient algorithm for computing the entire lasso path. The Bayesian lasso stems from considering the fact that each L1-penalized coefficient is proportional to minus the log-density of the double exponential distribution. Bayesian approaches are based on a variety of flexible prior structures underlying the estimation of posterior inferences regarding the model parameters, which facilitate the estimation of the marginal likelihood. In particular, the characterization of the conditional submodel posterior proposed by Hans (2009, 2010) facilitates model selection for moderately sized model spaces, by simplifying sampling from the conditional posteriors. Moreover, Ntzoufras & Lykou (2013) propose a model selection method which implements simultaneous shrinkage."]},{"key":"dc:title","label":"Title","values":["Πρόσφατες εξελίξεις στις μεθόδους LASSO κατά Bayes"]}]}],"canonical_facts":{"dc:creator":["Εμμανουηλίδη Ελπιάννα"],"dc:date":["2016"],"dc:description":["Η 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.","This dissertation is concerned with the recent developments in the literature of the Bayesian lasso in the context of the normal linear regression model. The least absolute shrinkage and selection operator (LASSO), is a shrinkage method which selects important predictors among a large set of covariates. In this effect, it relies on convex programming algorithms including a penalty which implement selection by shrinking the coefficients of unimportant variables towards zero. The lasso was originally proposed by Tibshirani (1996) and was further developed by Efron et al. (2004), who proposed the LARS, a computationally efficient algorithm for computing the entire lasso path. The Bayesian lasso stems from considering the fact that each L1-penalized coefficient is proportional to minus the log-density of the double exponential distribution. Bayesian approaches are based on a variety of flexible prior structures underlying the estimation of posterior inferences regarding the model parameters, which facilitate the estimation of the marginal likelihood. In particular, the characterization of the conditional submodel posterior proposed by Hans (2009, 2010) facilitates model selection for moderately sized model spaces, by simplifying sampling from the conditional posteriors. Moreover, Ntzoufras & Lykou (2013) propose a model selection method which implements simultaneous shrinkage."],"dc:identifier":["uoadl:1313737","https://pergamos.lib.uoa.gr/uoa/dl/object/1313737"],"dc:language":["English"],"dc:title":["Πρόσφατες εξελίξεις στις μεθόδους LASSO κατά Bayes"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:23:16Z"}