Estima-se que os estimadores de regressão penalizados, como LASSO e cume, correspondam aos estimadores bayesianos com certos antecedentes. Eu acho (como eu não sei o suficiente sobre estatísticas bayesianas) que, para um parâmetro de ajuste fixo, existe um prévio concreto correspondente.
Agora, um frequentista otimizaria o parâmetro de ajuste por validação cruzada. Existe um equivalente bayesiano de fazê-lo e é usado? Ou a abordagem bayesiana efetivamente corrige o parâmetro de ajuste antes de ver os dados? (Acho que o último seria prejudicial ao desempenho preditivo.)
bayesian
lasso
ridge-regression
Richard Hardy
fonte
fonte
Respostas:
Sim, está correto. Sempre que temos um problema de otimização envolvendo maximização da função de probabilidade logarítmica mais uma função de penalidade nos parâmetros, isso é matematicamente equivalente à maximização posterior, na qual a função de penalidade é considerada o logaritmo de um kernel anterior. † Para ver isso, suponha que tenhamos uma função de penalidade w usando um parâmetro de ajuste λ . A função objetivo nesses casos pode ser escrita como:† w λ
onde usamos o anteriorπ(θ|λ)∝exp(−w(θ|λ)) . Observe aqui que o parâmetro de ajuste na otimização é tratado como um hiperparâmetro fixo na distribuição anterior. Se você estiver executando uma otimização clássica com um parâmetro de ajuste fixo, isso equivale a executar uma otimização bayesiana com um hiperparâmetro fixo. Para a regressão LASSO e Ridge, as funções de penalidade e os equivalentes anteriores correspondentes são:
O primeiro método penaliza os coeficientes de regressão de acordo com sua magnitude absoluta, o que equivale a impor um Laplace anterior localizado em zero. O último método penaliza os coeficientes de regressão de acordo com sua magnitude ao quadrado, o que equivale a impor um prior normal localizado em zero.
Enquanto o método freqüentista puder ser colocado como um problema de otimização (ao invés de dizer, incluindo um teste de hipóteses ou algo assim), haverá uma analogia bayesiana usando um equivalente anterior. Assim como os freqüentadores podem tratar o parâmetro de ajusteλ como desconhecido e estimar isso a partir dos dados, o bayesiano pode tratar similarmente o hiperparâmetro λ como desconhecido. Em uma análise bayesiana completa, isso envolveria atribuir ao hiperparâmetro o seu próprio anterior e encontrar o máximo posterior abaixo dele, o que seria análogo a maximizar a seguinte função objetivo:
This method is indeed used in Bayesian analysis in cases where the analyst is not comfortable choosing a specific hyperparameter for their prior, and seeks to make the prior more diffuse by treating it as unknown and giving it a distribution. (Note that this is just an implicit way of giving a more diffuse prior to the parameter of interestθ .)
Before proceeding to look atK -fold cross-validation, it is first worth noting that, mathematically, the maximum a posteriori (MAP) method is simply an optimisation of a function of the parameter θ and the data x . If you are willing to allow improper priors then the scope encapsulates any optimisation problem involving a function of these variables. Thus, any frequentist method that can be framed as a single optimisation problem of this kind has a MAP analogy, and any frequentist method that cannot be framed as a single optimisation of this kind does not have a MAP analogy.
In the above form of model, involving a penalty function with a tuning parameter,K -fold cross-validation is commonly used to estimate the tuning parameter λ . For this method you partition the data vector x into K sub-vectors x1,...,xK . For each of sub-vector k=1,...,K you fit the model with the "training" data x−k and then measure the fit of the model with the "testing" data xk . In each fit you get an estimator for the model parameters, which then gives you predictions of the testing data, which can then be compared to the actual testing data to give a measure of "loss":
The loss measures for each of theK "folds" can then be aggregated to get an overall loss measure for the cross-validation:
One then estimates the tuning parameter by minimising the overall loss measure:
We can see that this is an optimisation problem, and so we now have two seperate optimisation problems (i.e., the one described in the sections above forθ , and the one described here for λ ). Since the latter optimisation does not involve θ , we can combine these optimisations into a single problem, with some technicalities that I discuss below. To do this, consider the optimisation problem with objective function:
whereδ>0 is a weighting value on the tuning-loss. As δ→∞ the weight on optimisation of the tuning-loss becomes infinite and so the optimisation problem yields the estimated tuning parameter from K -fold cross-validation (in the limit). The remaining part of the objective function is the standard objective function conditional on this estimated value of the tuning parameter. Now, unfortunately, taking δ=∞ screws up the optimisation problem, but if we take δ to be a very large (but still finite) value, we can approximate the combination of the two optimisation problems up to arbitrary accuracy.
From the above analysis we can see that it is possible to form a MAP analogy to the model-fitting andK -fold cross-validation process. This is not an exact analogy, but it is a close analogy, up to arbitrarily accuracy. It is also important to note that the MAP analogy no longer shares the same likelihood function as the original problem, since the loss function depends on the data and is thus absorbed as part of the likelihood rather than the prior. In fact, the full analogy is as follows:
whereL∗x(θ,λ)∝exp(ℓx(θ)−δL(x,λ)) and π(θ,λ)∝exp(−w(θ|λ)) , with a fixed (and very large) hyper-parameter δ .
fonte
Indeed most penalized regression methods correspond to placing a particular type of prior to the regression coefficients. For example, you get the LASSO using a Laplace prior, and the ridge using a normal prior. The tuning parameters are the “hyperparameters” under the Bayesian formulation for which you can place an additional prior to estimate them; for example, for in the case of the ridge it is often assumed that the inverse variance of the normal distribution has aχ2 prior. However, as one would expect, resulting inferences can be sensitive to the choice of the prior distributions for these hyperparameters. For example, for the horseshoe prior there are some theoretical results that you should place such a prior for the hyperparameters that it would reflect the number of non-zero coefficients you expect to have.
A nice overview of the links between penalized regression and Bayesian priors is given, for example, by Mallick and Yi.
fonte