উত্তর:
হ্যাঁ, আপনি যে পদ্ধতিটি জিজ্ঞাসা করছেন (বা ভাবছেন) তাকে আরামদায়ক লাসো বলে ।
সাধারণ ধারণাটি হ'ল প্রথমবারের মতো লাসো সম্পাদন করার প্রক্রিয়ায় আপনি সম্ভবত "শোর ভেরিয়েবল" অন্তর্ভুক্ত করছেন; ভেরিয়েবলগুলির দ্বিতীয় সেট (প্রথম এলএএসএসও-র পরে) এ লাসো সম্পাদন করা ভেরিয়েবলগুলির মধ্যে কম প্রতিযোগিতা দেয় যা "আসল প্রতিযোগী" মডেলের অংশ হয়ে কেবল "শোরগোল" পরিবর্তনশীল নয়। প্রযুক্তিগতভাবে, এই পদ্ধতিগুলির উদ্দেশ্যটি হ'ল বিপুল সংখ্যক ভেরিয়েবলের ডেটাসেটগুলিতে লাসো (জ্ঞাত) ধীর অভিসারণকে কাটিয়ে ওঠা।
মিনশাউসেন (2007) এর মূল কাগজে আপনি এটি সম্পর্কে আরও পড়তে পারেন ।
আমি স্ট্যাটিস্টিকাল লার্নিংয়ের উপাদানগুলির (হাস্টি, তিবশিরানী এবং ফ্রেডম্যান, ২০০ 2008) ৩.৮.৫ এরও সুপারিশ করি , যা লাসো ব্যবহার করে ভেরিয়েবল নির্বাচন করার জন্য অন্যান্য খুব আকর্ষণীয় পদ্ধতির একটি ওভারভিউ দেয়।
লাসোর দুটি প্রভাব পৃথক করার ধারণাটি
আপনার যদি অনেক ভেরিয়েবল থাকে ( ), এবং লাসো চালাচ্ছেন তবে অল্প সংখ্যক ভেরিয়েবল নির্বাচন করার জন্য আপনার কাছে বড় জরিমানা থাকতে চান। তবে, এই পেনাল্টিটি নির্বাচিত ভেরিয়েবলগুলি খুব বেশি সংকুচিত করতে পারে (আপনি কম-ফিটিং করছেন)।
রিল্যাক্সড লাসোর ধারণাটি হল আপনি দুটি প্রভাবকে আলাদা করুন: আপনি ভেরিয়েবলগুলি নির্বাচন করতে প্রথম পাসে একটি উচ্চতর জরিমানা ব্যবহার করেন; এবং দ্বিতীয় পাসে একটি অল্প পরিমাণে সঙ্কুচিত করার জন্য একটি ছোট জরিমানা।
মূল কাগজ (যেমন নস্টর দ্বারা সংযুক্ত) আরও বিশদ দেয়।