Ang lasso ay nagsasagawa ng pag-urong nang sa gayon ay may mga "sulok'' sa hadlang, na sa dalawang dimensyon ay tumutugma sa isang diyamante. Kung ang kabuuan ng mga parisukat ay "tumatama" sa isa sa mga sulok na ito, pagkatapos ay ang coefficient na tumutugma sa axis ay pinaliit sa zero. … Samakatuwid, ang laso ay nagsasagawa ng pag-urong at (epektibong) pagpili ng subset.
Bakit nagbibigay ng zero coefficient ang laso?
Ang lasso ay nagsasagawa ng pag-urong nang sa gayon ay may mga "sulok'' sa hadlang, na sa dalawang dimensyon ay tumutugma sa isang diyamante. Kung ang kabuuan ng mga parisukat ay "tumatama" sa isa sa mga sulok na ito, pagkatapos ay ang coefficient na tumutugma sa axis ay pinaliit sa zero.
Bakit lumiliit ang laso sa zero ngunit hindi ang Ridge?
Sinasabi na dahil ang hugis ng constraint sa LASSO ay isang brilyante, ang pinakamaliit na mga parisukat na solusyon na nakuha ay maaaring hawakan ang sulok ng brilyante upang humantong ito sa pag-urong ng ilang variable. Gayunpaman, sa ridge regression, dahil ito ay isang bilog, ito ay madalas na hindi hawakan ang axis
Bakit lumiliit ang mga coefficient ng ridge regression?
Ridge regression pinaliit ang lahat ng coefficient ng regression patungo sa zero; ang laso ay may posibilidad na magbigay ng isang set ng zero regression coefficients at humahantong sa isang kalat-kalat na solusyon. Tandaan na para sa parehong ridge regression at laso ang regression coefficient ay maaaring lumipat mula sa positibo patungo sa negatibong mga halaga habang lumiliit ang mga ito patungo sa zero.
May bias ba ang mga lasso coefficient?
…ang pag-urong ng laso ay nagiging sanhi ng pagkiling ng mga pagtatantya ng non-zero coefficients patungo sa zero at sa pangkalahatan ay hindi pare-pareho ang mga ito [Idinagdag Tandaan: Nangangahulugan ito na, bilang ang lumalaki ang laki ng sample, hindi nagtatagpo ang mga pagtatantya ng koepisyent].
