Los coeficientes de lazo están sesgados debido a un umbral suave. Tiene dos opciones para reducir el sesgo en estos coeficientes.
Una es reajustar los mínimos cuadrados ordinarios usando una estimación de regresión de lazo inicial. Realice OLS utilizando una matriz de datos reducida reteniendo columnas que correspondan a coeficientes de regresión de lazo diferente de cero. Debe interpretar el lazo reacondicionado con precaución, ya que el lazo tiende a seleccionar muchas variables de ruido en el modelo y, en consecuencia, los valores reajustados aún podrían estar sesgados. La interpretación de los coeficientes OLS reajustados depende de las variables / columnas en el modelo.
Alternativamente, puede usar el lazo adaptable que intenta penalizar adaptativamente cada coeficiente de regresión. Los coeficientes grandes reciben una penalización pequeña y los coeficientes pequeños reciben una penalización mayor. Dado que los coeficientes son desconocidos de antemano, primero debe utilizar la regresión de cresta o lazo para obtener una estimación inicial de [matemática] \ beta [/ matemática] y luego utilizar una penalización de lazo ponderada para obtener estimaciones menos sesgadas.
- ¿Cuál es el mejor software para implementar algoritmos de aprendizaje automático / minería de datos a gran escala?
- Cómo interpretar la trama de ACF
- ¿Puedo controlar las señales neuronales desde un lugar?
- ¿El procesamiento del lenguaje natural reemplaza la búsqueda elástica?
- ¿Puedes recomendar un gran conjunto de videos de YouTube sobre aprendizaje automático y redes neuronales dirigidas a principiantes?
Lo que intenta hacer a través de la reescalado es incorrecto ya que las variables en el modelo que usa un mínimo cuadrado inicial son diferentes del lazo. Además, todavía tiene una [matemática] X [/ matemática] mal acondicionada en altas dimensiones.
Referencias
Adaptive Lasso review paper http://www3.stat.sinica.edu.tw/s…
