Regressão alta-dimensional: por que o

Estou tentando ler as pesquisas na área de regressão de alta dimensão; quando $p$ é maior do que $n$ , isto é, $p >> n$ . Parece que o termo $\log p/n$ aparece frequentemente em termos de taxa de convergência para estimadores de regressão.

$\hat{\beta}$

\frac{1}{n} ‖ X \hat{β} - X β ‖_{2}^{2} = O_{P} (σ \sqrt{\frac{\log p}{n}} ‖ β ‖_{1}) .

$\dfrac{1}{n}\|X\hat{\beta} - X \beta\|_2^2 = O_P \left(\sigma \sqrt{\dfrac{\log p}{n} } \|\beta\|_1\right)\,.$

Normalmente, isso também implica que deve ser menor que . $\log p$ $n$

Existe alguma intuição sobre por que essa proporção de é tão proeminente? $\log p/n$
Além disso, parece que na literatura o problema de regressão de alta dimensão fica complicado quando . Por que é tão? $\log p \geq n$
Existe uma boa referência que discuta os problemas com a rapidez com que e devem crescer comparados entre si? $p$ $n$

regression lasso convergence high-dimensional Greenparker
fonte

1. O

\sqrt{\log p}

$\sqrt{\log p}$ termo

vem da concentração (gaussiana) de medida. Em particular, se você possuivariáveis aleatórias

p

$p$ ga de GaI, o máximo delas é da ordem de

σ \sqrt{\log p}

$\sigma \sqrt{\log p}$ com alta probabilidade. Ofator

n^{- 1}

$n^{-1}$ vem do fato de que você está observando o erro médio de previsão - ou seja, ele corresponde ao

n^{- 1}

$n^{-1}$ do outro lado - se você analisasse o erro total, ele não estaria lá.

Mweylandt 22/0518

2. Essencialmente, você tem duas forças que precisa controlar: i) as boas propriedades de ter mais dados (então queremos que

seja grande); ii) as dificuldades têm mais características (irrelevantes) (então queremos que

seja pequeno). Nas estatísticas clássicas, tipicamente corrigimos

deixamos

ir ao infinito: esse regime não é super útil para a teoria de alta dimensão, porque está no regime de baixa dimensão por construção. Como alternativa, poderíamos deixar

ir para o infinito e

permanecer fixo, mas nosso erro simplesmente explode e vai para o infinito.

n

$n$

p

$p$

p

$p$

n

$n$

p

$p$

n

$n$

Mweylandt #

Portanto, precisamos considerar

ambos indo para o infinito, para que nossa teoria seja relevante (permaneça alta dimensional) sem ser apocalíptica (recursos infinitos, dados finitos). Ter dois "botões" geralmente é mais difícil do que ter um único botão, então fixamos

para alguns

e deixamos

ir para o infinito (e, portanto,

indiretamente). A escolha de

determina o comportamento do problema. Por razões de minha resposta à Q1, verifica-se que a "maldade" dos recursos extras cresce apenas como

enquanto a "bondade" dos dados extras cresce como

n, p

$n, p$

p = f (n)

$p = f(n)$

f

$f$

n

$n$

p

$p$

f

$f$

\log p

$\log p$

n

$n$

Mweylandt # 22/18

Portanto, se

permanece constante (equivalentemente,

para algum

), pisamos na água. Se

(

), obtemos assintoticamente erro zero. E se

(

\log p / n

$\log p / n$

p = f (n) = Θ (C^{n})

$p = f(n) = \Theta(C^n)$

C

$C$

\log p / n \to 0

$\log p / n \to 0$

p = o (C^{n})

$p = o(C^n)$

\log p / n \to \infty

$\log p / n \to \infty$

p = ω (C^{n})

$p = \omega(C^n)$ ), o erro acaba indo para o infinito. Esse último regime às vezes é chamado de "ultra-dimensional" na literatura. Não é desesperador (embora seja próximo), mas requer técnicas muito mais sofisticadas do que apenas um simples número máximo de gaussianos para controlar o erro. A necessidade de usar essas técnicas complexas é a fonte definitiva da complexidade que você observa.

Mweylandt # 22/18

@mweylandt Obrigado, esses comentários são realmente úteis. Você poderia transformá-los em uma resposta oficial, para que eu possa lê-los de forma mais coerente e te votar?

Greenparker

(Movido dos comentários para uma resposta conforme solicitado por @Greenparker)

Parte 1)

O termo vem da concentração (gaussiana) de medida. Em particular, se você possuivariáveis aleatóriasga de GaI [I], o máximo delas é da ordem de $\sqrt{\log p}$ $p$ com alta probabilidade. $\sigma\sqrt{\log p}$

O fator vem do fato de que você está observando o erro médio de previsão - ou seja, ele corresponde ao do outro lado - se você analisasse o erro total, ele não estaria lá. $n^{-1}$ $n^{-1}$

Parte 2)

Essencialmente, você tem duas forças que precisa controlar:

i) as boas propriedades de ter mais dados (então queremos que seja grande); $n$
ii) as dificuldades têm mais características (irrelevantes) (então queremos que seja pequeno). $p$

Em estatística clássica, que normalmente corrigir e deixe ir ao infinito: este regime não é super útil para a teoria high-dimensional, porque é (assintoticamente) no regime de baixa-dimensional pela construção . $p$ $n$

Alternativamente, poderíamos deixar ir ao infinito e estadia fixa, mas depois nosso erro apenas explode como o problema torna-se praticamente impossível. Dependendo do problema, o erro pode chegar ao infinito ou parar em algum limite superior natural ( por exemplo , 100% de erro de classificação incorreta). $p$ $n$

Como esses dois casos são um pouco inúteis, consideramos ambos indo para o infinito, de modo que nossa teoria é relevante (permanece alta dimensional) sem ser apocalíptica (recursos infinitos, dados finitos). $n, p$

Ter dois "botões" geralmente é mais difícil do que ter um único botão, então fixamos para alguns fixos e deixamos ir para o infinito (e, portanto, vai para o infinito indiretamente). [F2] A escolha de determina o comportamento do problema. Por razões de minha resposta à parte 1, verifica-se que a "maldade" dos recursos extras cresce apenas como enquanto a "bondade" dos dados extras cresce como . $p=f(n)$ $f$ $n$ $p$ $f$ $\log p$ $n$

Se permanece constante (equivalentemente,para alguns), pisamos na água e o problema é uma lavagem (o erro permanece fixo assintoticamente); $\frac{\log p}{n}$ $p=f(n)=Θ(C^n)$ $C$
se () atingimos assintoticamente erro zero; $\frac{\log p}{n} \to 0$ $p=o(C^n)$
e se (), o erro acaba indo para o infinito. $\frac{\log p}{n}→\infty$ $p=\omega(C^n)$

Este último regime às vezes é chamado de "ultra-dimensional" na literatura. O termo "ultra-alta-dimensional" não tem uma definição rigorosa, até onde eu saiba, mas é informalmente apenas "o regime que quebra o laço e estimadores semelhantes".

Podemos demonstrar isso com um pequeno estudo de simulação em condições bastante idealizadas. Aqui tomamos orientação teórica sobre a escolha ideal de de [BRT09] e escolhemos $\lambda$ . $\lambda = 3 \sqrt{\log(p)/n}$

Primeiro, considere um caso em que . Isso está no regime de alta dimensão 'tratável' descrito acima e, como a teoria prevê, vemos o erro de previsão convergir para zero: $p = f(n) = 3n$

Código a reproduzir:

library(glmnet)
library(ggplot2)

# Standard High-Dimensional Asymptotics: log(p) / n -> 0

N <- c(50, 100, 200, 400, 600, 800, 1000, 1100, 1200, 1300)
P <- 3 * N

ERROR_HD <- data.frame()

for(ix in seq_along(N)){
  n <- N[ix]
  p <- P[ix]

  PMSE <- replicate(20, {
    X <- matrix(rnorm(n * p), ncol=p)
    beta <- rep(0, p)
    beta[1:10] <- runif(10, 2, 3)
    y <- X %*% beta + rnorm(n)

    g <- glmnet(X, y)

    ## Cf. Theorem 7.2 of Bickel et al. AOS 37(4), p.1705-1732, 2009. 
    ## lambda ~ 2*\sqrt{2} * \sqrt{\log(p)/n} 
    ## is good scaling for controlling prediction error of the lasso
    err <- X %*% beta - predict(g, newx=X, s=3 * sqrt(log(p)/n))
    mean(err^2)
  })

  ERROR_HD <- rbind(ERROR_HD, data.frame(PMSE=PMSE, n=n, p=p))
}

ggplot(ERROR_HD, aes(x=n, y=PMSE)) + geom_point() + theme_bw() + 
xlab("Number of Samples (n)") + 
ylab("Mean Prediction Error (at observed design points)") + 
ggtitle("Prediction Error Converging to 0 under High-Dim Asymptotics") + 
scale_x_continuous(sec.axis = sec_axis(~ 3 * ., name="Number of Features (p)")) + 
scale_y_log10()

Podemos comparar isso com o caso em que permanece aproximadamente constante: eu chamo isso de regime ultra-dimensional de "fronteira", mas esse não é um termo padrão: $\frac{\log p}{n}$

P <- 10 + ceiling(exp(N/120))

Aqui vemos que o erro de previsão (usando o mesmo design acima) diminui em vez de continuar a zero.

$P$ $e^n$ $e^{n^2}$ $e^{n^2}$

P <- 10 + ceiling(exp(N^(1.03)/120))

$X$ $e^{n^1.5}$

Apesar do que eu disse acima e de como isso pode parecer, o regime de altidimensionalidade não é realmente totalmente impossível (embora seja próximo), mas requer técnicas muito mais sofisticadas do que apenas um simples máximo de variáveis aleatórias gaussianas para controlar o erro. A necessidade de usar essas técnicas complexas é a fonte definitiva da complexidade que você observa.

$p, n$ $p = f(n)$

Parte 3)

$\log p$ $n$

$n, p$ $n, p$

Se você estiver confortável e disposto a se aprofundar na literatura de pesquisa, eu examinaria os trabalhos de Jianqing Fan e Jinchi Lv, que fizeram a maior parte do trabalho fundamental sobre problemas de dimensão ultra-alta. ("Triagem" é um bom termo para pesquisar)

[F1] Na verdade, qualquer variável aleatória subgaussiana , mas isso não acrescenta muito a essa discussão.

$s$ $n$ $s = g(n)$

T. Hastie, R. Tibshirani e M. Wainwright. Aprendizagem Estatística com Sparsity. Monografias sobre estatística e probabilidade aplicada 143. CRC Press, 2015. Disponível em download gratuito em https://web.stanford.edu/~hastie/StatLearnSparsity_files/SLS.pdf

Peter J. Bickel, Ya'acov Ritov e Alexandre B. Tsybakov. "Análise Simultânea de Lasso e Dantzig Selector". Anais da estatística 37 (4), p. 1705-1732, 2009. http://dx.doi.org/10.1214/08-AOS620

mweylandt
fonte

\log p / n

$\log p/n$

Claro - adicionei um pequeno estudo de simulação para esclarecer a dinâmica do "passo na água". Em termos de dinâmica assintótica, não importa qual seja a constante, mas o erro será proporcional a essa constante; portanto, é claro que você gostaria que fosse menor ceteris paribus (isso é equivalente a ter mais

n

$n$ o que é sempre uma coisa boa).

Mweylandt

Regressão alta-dimensional: por que o

Respostas: