আপনি যে পার্থক্যটি পর্যবেক্ষণ করছেন তা পর্যবেক্ষণের সংখ্যা দ্বারা অতিরিক্ত বিভাগের কারণে, এন, যা GLMNET তাদের উদ্দেশ্যমূলক কার্যক্রমে ব্যবহার করে এবং ওয়াইয়ের নিখরচায় মানক বিচ্যুতি দ্বারা তার নিখরচায় মানককরণের নীচে দেখায়।
12N∥∥∥ysy−Xβ∥∥∥22+λ∥β∥22/2
যেখানে আমরা ব্যবহার স্থানে জন্য ,
1/n1/(n−1)sy
sy=∑i(yi−y¯)2n
বিটার প্রতি শ্রদ্ধার সাথে পার্থক্য করে, সমীকরণটি শূন্যে সেট করে,
XTXβ−XTysy+Nλβ=0
এবং বিটার জন্য সমাধান, আমরা অনুমানটি পাই,
β~GLMNET=(XTX+NλIp)−1XTysy
ওয়াই মূল মেট্রিক উপর অনুমান (এবং তাদের সংশ্লিষ্ট জরিমানা) পুনরুদ্ধার করার জন্য, GLMNET তা বৃদ্ধি পায় উভয় প্রাক্কলন ও lambdas দ্বারা এবং ব্যবহারকারীতে আয় এই ফলাফল,sy
β^GLMNET=syβ~GLMNET=(XTX+NλIp)−1XTy
λunstd.=syλ
এই দ্রবণটির সাথে রিজ রিগ্রেশনটির স্ট্যান্ডার্ড ডেরিভেশনের সাথে তুলনা করুন।
β^=(XTX+λIp)−1XTy
লক্ষ্য করুন যে এন এর একটি অতিরিক্ত ফ্যাক্টর দ্বারা অতিরিক্তভাবে, আমরা যখন বা ফাংশনটি ব্যবহার করি , তখন জরিমানা দ্বারা । এর অর্থ হ'ল, যখন আমরা কিছু অনুমানের জন্য এই ফাংশনগুলি ব্যবহার করি , আমরা কার্যকরভাবে ।λpredict()
coef()
1/syλ∗λ=λ∗/sy
এই পর্যবেক্ষণগুলির উপর ভিত্তি করে, GLMNET এ ব্যবহৃত পেনাল্টিটি এর একটি গুণক দ্বারা মাপানো দরকার ।sy/N
set.seed(123)
n <- 1000
p <- 100
X <- matrix(rnorm(n*p,0,1),n,p)
beta <- rnorm(p,0,1)
Y <- X%*%beta+rnorm(n,0,0.5)
sd_y <- sqrt(var(Y)*(n-1)/n)[1,1]
beta1 <- solve(t(X)%*%X+10*diag(p),t(X)%*%(Y))[,1]
fit_glmnet <- glmnet(X,Y, alpha=0, standardize = F, intercept = FALSE, thresh = 1e-20)
beta2 <- as.vector(coef(fit_glmnet, s = sd_y*10/n, exact = TRUE))[-1]
cbind(beta1[1:10], beta2[1:10])
[,1] [,2]
[1,] 0.23793862 0.23793862
[2,] 1.81859695 1.81859695
[3,] -0.06000195 -0.06000195
[4,] -0.04958695 -0.04958695
[5,] 0.41870613 0.41870613
[6,] 1.30244151 1.30244151
[7,] 0.06566168 0.06566168
[8,] 0.44634038 0.44634038
[9,] 0.86477108 0.86477108
[10,] -2.47535340 -2.47535340
ফলাফলগুলি একটি বিরতি এবং মানকৃত এক্স ভেরিয়েবলগুলির অন্তর্ভুক্তিতে সাধারণীকরণ করে। [১,১] অবস্থানে অতিরিক্ত শূন্য প্রবেশের জন্য (যেমন ইন্টারসেপ্টটিকে শাস্তি দেবেন না) একটি কলাম এবং তির্যক ম্যাট্রিক্স অন্তর্ভুক্ত করার জন্য আমরা একটি প্রমিত X ম্যাট্রিক্স পরিবর্তন করেছি। তারপরে আপনি তাদের নিজ নিজ নমুনা স্ট্যান্ডার্ড বিচ্যুতি দ্বারা অনুমানগুলি আনস্ট্যান্ডার্ড করতে পারেন (আবার নিশ্চিত করুন যে আপনি স্ট্যান্ডার্ড বিচ্যুতি গণনার সময় 1 / এন ব্যবহার করছেন)।
β^j=βj~sxj
β^0=β0~−x¯Tβ^
mean_x <- colMeans(X)
sd_x <- sqrt(apply(X,2,var)*(n-1)/n)
X_scaled <- matrix(NA, nrow = n, ncol = p)
for(i in 1:p){
X_scaled[,i] <- (X[,i] - mean_x[i])/sd_x[i]
}
X_scaled_ones <- cbind(rep(1,n), X_scaled)
beta3 <- solve(t(X_scaled_ones)%*%X_scaled_ones+1000*diag(x = c(0, rep(1,p))),t(X_scaled_ones)%*%(Y))[,1]
beta3 <- c(beta3[1] - crossprod(mean_x,beta3[-1]/sd_x), beta3[-1]/sd_x)
fit_glmnet2 <- glmnet(X,Y, alpha=0, thresh = 1e-20)
beta4 <- as.vector(coef(fit_glmnet2, s = sd_y*1000/n, exact = TRUE))
cbind(beta3[1:10], beta4[1:10])
[,1] [,2]
[1,] 0.24534485 0.24534485
[2,] 0.17661130 0.17661130
[3,] 0.86993230 0.86993230
[4,] -0.12449217 -0.12449217
[5,] -0.06410361 -0.06410361
[6,] 0.17568987 0.17568987
[7,] 0.59773230 0.59773230
[8,] 0.06594704 0.06594704
[9,] 0.22860655 0.22860655
[10,] 0.33254206 0.33254206
বিনা বাধা ছাড়াই মানকযুক্ত এক্স দেখানোর জন্য কোড যুক্ত করা হয়েছে:
set.seed(123)
n <- 1000
p <- 100
X <- matrix(rnorm(n*p,0,1),n,p)
beta <- rnorm(p,0,1)
Y <- X%*%beta+rnorm(n,0,0.5)
sd_y <- sqrt(var(Y)*(n-1)/n)[1,1]
mean_x <- colMeans(X)
sd_x <- sqrt(apply(X,2,var)*(n-1)/n)
X_scaled <- matrix(NA, nrow = n, ncol = p)
for(i in 1:p){
X_scaled[,i] <- (X[,i] - mean_x[i])/sd_x[i]
}
beta1 <- solve(t(X_scaled)%*%X_scaled+10*diag(p),t(X_scaled)%*%(Y))[,1]
fit_glmnet <- glmnet(X_scaled,Y, alpha=0, standardize = F, intercept =
FALSE, thresh = 1e-20)
beta2 <- as.vector(coef(fit_glmnet, s = sd_y*10/n, exact = TRUE))[-1]
cbind(beta1[1:10], beta2[1:10])
[,1] [,2]
[1,] 0.23560948 0.23560948
[2,] 1.83469846 1.83469846
[3,] -0.05827086 -0.05827086
[4,] -0.04927314 -0.04927314
[5,] 0.41871870 0.41871870
[6,] 1.28969361 1.28969361
[7,] 0.06552927 0.06552927
[8,] 0.44576008 0.44576008
[9,] 0.90156795 0.90156795
[10,] -2.43163420 -2.43163420