Warum findet LASSO mein perfektes Prädiktorpaar nicht in hoher Dimensionalität?

20

Ich führe ein kleines Experiment mit LASSO-Regression in R durch, um zu testen, ob es in der Lage ist, ein perfektes Prädiktorpaar zu finden. Das Paar ist wie folgt definiert: f1 + f2 = Ergebnis

Das Ergebnis hier ist ein vorbestimmter Vektor, der "Alter" genannt wird. F1 und f2 werden erzeugt, indem der halbe Altersvektor genommen und der Rest der Werte auf 0 gesetzt wird, zum Beispiel: age = [1,2,3,4,5,6], f1 = [1,2,3, 0,0,0] und f2 = [0,0,0,4,5,6]. Ich kombiniere dieses Prädiktorpaar mit einer zunehmenden Anzahl zufällig erzeugter Variablen, indem ich eine Stichprobe aus einer Normalverteilung N (1,1) entnehme.

Was ich sehe, ist, wenn ich 2 ^ 16 Variablen drücke, findet LASSO mein Paar nicht mehr. Siehe die Ergebnisse unten.

Anzahl der Funktionen pro Falte und DatengrößeKoeffizienten des perfekten Paares

Warum passiert das? Sie können die Ergebnisse mit dem folgenden Skript reproduzieren. Mir ist aufgefallen, dass LASSO bei Auswahl eines anderen Altersvektors, z. B .: [1: 193], das Paar mit hoher Dimensionalität findet (> 2 ^ 16).

Das Drehbuch:

## Setup ##
library(glmnet)
library(doParallel)
library(caret)

mae <- function(errors){MAE <- mean(abs(errors));return(MAE)}
seed = 1
n_start <- 2 #start at 2^n features
n_end <- 16 #finish with 2^n features
cl <- makeCluster(3)
registerDoParallel(cores=cl)

#storage of data
features <- list()
coefs <- list()
L <- list() 
P <- list() 
C <- list() 
RSS <- list() 

## MAIN ##
for (j in n_start:n_end){
  set.seed(seed)
  age <- c(55,31,49,47,68,69,53,42,58,67,60,58,32,52,63,31,51,53,37,48,31,58,36,42,61,49,51,45,61,57,52,60,62,41,28,45,39,47,70,33,37,38,32,24,66,54,59,63,53,42,25,56,70,67,44,33,50,55,60,50,29,51,49,69,70,36,53,56,32,43,39,43,20,62,46,65,62,65,43,40,64,61,54,68,55,37,59,54,54,26,68,51,45,34,52,57,51,66,22,64,47,45,31,47,38,31,37,58,66,66,54,56,27,40,59,63,64,27,57,32,63,32,67,38,45,53,38,50,46,59,29,41,33,40,33,69,42,55,36,44,33,61,43,46,67,47,69,65,56,34,68,20,64,41,20,65,52,60,39,50,67,49,65,52,56,48,57,38,48,48,62,48,70,55,66,58,42,62,60,69,37,50,44,61,28,64,36,68,57,59,63,46,36)
  beta2 <- as.data.frame(cbind(age,replicate(2^(j),rnorm(length(age),1,1))));colnames(beta2)[1] <-'age'

  f1 <- c(age[1:96],rep(0,97)) 
  f2 <- c(rep(0,96),age[97:193])
  beta2 <- as.data.frame(cbind(beta2,f1,f2))

  #storage variables
  L[[j]] <- vector()
  P[[j]] <- vector()
  C[[j]] <- list()
  RSS[[j]] <- vector()

  #### DCV LASSO ####
  set.seed(seed) #make folds same over 10 iterations
  for (i in 1:10){

    print(paste(j,i))
    index <- createFolds(age,k=10)
    t.train <- beta2[-index[[i]],];row.names(t.train) <- NULL
    t.test <- beta2[index[[i]],];row.names(t.test) <- NULL

    L[[j]][i] <- cv.glmnet(x=as.matrix(t.train[,-1]),y=as.matrix(t.train[,1]),parallel = T,alpha=1)$lambda.min #,lambda=seq(0,10,0.1)
    model <- glmnet(x=as.matrix(t.train[,-1]),y=as.matrix(t.train[,1]),lambda=L[[j]][i],alpha=1)
    C[[j]][[i]] <- coef(model)[,1][coef(model)[,1] != 0]
    pred <- predict(model,as.matrix(t.test[,-1]))
    RSS[[j]][i] <- sum((pred - t.test$age)^2)
    P[[j]][i] <- mae(t.test$age - pred)
    gc()
  }
}

##############
## PLOTTING ##
##############

#calculate plots features
beta_sum = unlist(lapply(unlist(C,recursive = F),function(x){sum(abs(x[-1]))}))
penalty = unlist(L) * beta_sum
RSS = unlist(RSS)
pair_coefs <- unlist(lapply(unlist(C,recursive = F),function(x){
  if('f1' %in% names(x)){f1 = x['f1']}else{f1=0;names(f1)='f1'}
  if('f2' %in% names(x)){f2 = x['f2']}else{f2=0;names(f2)='f2'}
  return(c(f1,f2))}));pair_coefs <- split(pair_coefs,c('f1','f2'))
inout <- lapply(unlist(C,recursive = F),function(x){c('f1','f2') %in% names(x)})
colors <- unlist(lapply(inout,function(x){if (x[1]*x[2]){'green'}else{'red'}}))
featlength <- unlist(lapply(unlist(C,recursive = F),function(x){length(x)-1}))

#diagnostics
plot(rep(n_start:n_end,each=10),pair_coefs$f1,col='red',xaxt = "n",xlab='n/o randomly generated features (log2)',main='Pair Coefficients',ylim=c(0,1),ylab='pair coefficients');axis(1, at=n_start:n_end);points(rep(n_start:n_end,each=10),pair_coefs$f2,col='blue');axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('bottomleft',fill=c('red','blue'),legend = c('f1','f2'),inset=.02)
plot(rep(n_start:n_end,each=10),RSS+penalty,col=colors,xaxt = "n",xlab='n/o randomly generated features (log2)',main='RSS+penalty');axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('topleft',fill=c('green','red'),legend = c('Pair Selected','Pair not Selected'),inset=.02)
plot(rep(n_start:n_end,each=10),penalty,col=colors,xaxt = "n",xlab='n/o randomly generated features (log2)',main='Penalty');axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('topleft',fill=c('green','red'),legend = c('Pair Selected','Pair not Selected'),inset=.02)
plot(rep(n_start:n_end,each=10),RSS,col=colors,xaxt = "n",xlab='n/o randomly generated features (log2)',main='RSS');axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('topleft',fill=c('green','red'),legend = c('Pair Selected','Pair not Selected'),inset=.02)
plot(rep(n_start:n_end,each=10),unlist(L),col=colors,xaxt = "n",xlab='n/o randomly generated features (log2)',main='Lambdas',ylab=expression(paste(lambda)));axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('topleft',fill=c('green','red'),legend = c('Pair Selected','Pair not Selected'),inset=.02)
plot(rep(n_start:n_end,each=10),featlength,ylab='n/o features per fold',col=colors,xaxt = "n",xlab='n/o randomly generated features (log2)',main='Features per Fold');axis(1, at=n_start:n_end, labels=(n_start:n_end));legend('topleft',fill=c('green','red'),legend = c('Pair Selected','Pair not Selected'),inset=.02)
plot(penalty,RSS,col=colors,main='Penalty vs. RSS')
r regression feature-selection lasso high-dimensional Ansjovis86
quelle
kleiner Kommentar: Aufgrund der Verwendung von 'createFolds' muss auch das 'caret'-Paket geladen werden.
IWS
2
Siehe Satz 2a von 'Wainwright: Scharfe Schwellenwerte für eine hochdimensionale und verrauschte Wiederherstellung der Sparsity'. In dem Regime, in dem Sie sich befinden, in dem die wahre Unterstützung eine feste Kardinalität 2 hat und p mit n fest wächst, scheint es wahrscheinlich, dass es sehr hohe Korrelationen gibt, wenn genügend Features vorhanden sind, was zu der geringen Wahrscheinlichkeit einer erfolgreichen Wiederherstellung der Unterstützung führt das merkt man. (Da jedoch die Vektoren, die nicht in der wahren Unterstützung enthalten sind, ziemlich klein sind (mittlere 0-Varianz 1), scheint dies nicht der Grund zu sein, da das Merkmal "wahres Alter" sehr große Einträge enthält.)
user795305
1
@Ben, ich denke das ist die richtige Erklärung, und angesichts der Beliebtheit dieser Frage wäre es großartig, wenn Sie eine Antwort geben könnten, die erklärt, warum dies so ist.
NRH
1
@Maddenker gibt ^immer ein Double für Integer- oder Double-Argumente in R zurück. R wechselt auch zu Double, wenn ein Integer-Überlauf auftreten würde.
Roland
1
Zu Ihrer Information: Ich habe ein aktualisiertes Skript auf meiner Github-Seite hinzugefügt. In diesem Skript verwende ich weniger Samples, was das Problem bereits bei 2 ^ 5 Variablen auslöst. Dies ermöglicht kurze Laufzeiten und ermöglicht es Ihnen, mehr mit den Daten zu experimentieren: github.com/sjorsvanheuveln/LASSO_pair_problem
Ansjovis86

Antworten:

3

p>n

Das Lasso ist ein beliebtes Werkzeug für die spärliche lineare Regression, insbesondere bei Problemen, bei denen die Anzahl der Variablen die Anzahl der Beobachtungen übersteigt. Wenn jedoch p> n ist, ist das Lasso-Kriterium nicht streng konvex und hat daher möglicherweise keinen eindeutigen Minimierer.

Wenn Sie 2e16-Kovariaten haben, ist es, wie @ben bereits erwähnt, nicht unähnlich, dass einige den echten Kovariaten ziemlich ähnlich sind. Daher ist der obige Punkt relevant: LASSO ist es gleichgültig, einen auszuwählen.

Vielleicht relevanter und neuer (2013) gibt es ein weiteres Candes- Papier darüber, dass der LASSO auch bei idealen statistischen Bedingungen (unkorrelierte Prädiktoren, nur wenige große Effekte) immer noch falsch positive Ergebnisse liefert, wie z. B. das, was Sie in Ihren Daten sehen:

In Regressionseinstellungen, in denen erklärende Variablen sehr geringe Korrelationen aufweisen und es relativ wenige Effekte gibt, von denen jeder eine große Größe hat, wird erwartet, dass das Lasso die wichtigen Variablen mit wenigen Fehlern findet, wenn überhaupt. Dieser Aufsatz zeigt, dass in einem Regime linearer Sparsität - das heißt, der Anteil von Variablen mit nicht verschwindendem Effekt tendiert zu einer Konstanten, wie klein sie auch sein mögen - dies nicht wirklich der Fall sein kann, selbst wenn die Entwurfsvariablen stochastisch unabhängig sind .

Mustafa S Eisa
quelle
Ich wusste das nicht. Ich dachte, LASSO sei ein zuverlässiges Standardwerkzeug zur Identifizierung von spärlichen Modellen (oder zumindest war dies mein Eindruck, als ich die beiden Bücher von Hastie und Tibshirani las und die Methode selbst verwendete). Wissen Sie, wenn Sie sagen, dass das Problem bekannt ist, ob es auch Lösungen und / oder alternative Ansätze gibt?
DeltaIV
Wenn ich richtig verstehe, scheinen diese Ergebnisse nur für lineare Sparsity zu gelten, während das vorliegende Problem die sublineare Sparsity betrifft
user795305
@ Ben, sicher, aber das macht das Papier nicht irrelevant. Es ist eine der neuesten mir bekannten Veröffentlichungen, die dieses Thema berührt. Ich denke, es zeigt etwas Einfaches: Auch bei idealen statistischen Bedingungen hat LASSO nicht die besten Eigenschaften.
Mustafa S Eisa
@DeltaIV, LASSO ist eine konvexe Optimierungsheuristik zur Variablenauswahl. In Tibshiranis Buch wird gezeigt, dass es einen ähnlichen Weg wie AIC oder schrittweise Methoden einschlagen kann, dies ist jedoch keine Garantie. Meiner Meinung nach rühren die meisten Probleme von der Tatsache her, dass es sich um eine heuristische und nicht um eine reale Sache handelt.
Mustafa S Eisa