$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

A convenient approach for penalty parameter selection in robust lasso regression 원문보기

Communications for statistical applications and methods = 한국통계학회논문집, v.24 no.6, 2017년, pp.651 - 662  

Kim, Jongyoung (Department of Statistics, Hankuk University of Foreign Studies) ,  Lee, Seokho (Department of Statistics, Hankuk University of Foreign Studies)

Abstract ▼ AI-Helper 아이콘AI-Helper

We propose an alternative procedure to select penalty parameter in $L_1$ penalized robust regression. This procedure is based on marginalization of prior distribution over the penalty parameter. Thus, resulting objective function does not include the penalty parameter due to marginalizing...

주제어

#adaptive lasso   #cross validation   #lasso   #robust regression   #variable selection  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

제안 방법

  • After finishing the whole cycle, CV score is defined as the averaged MSEs and the regularization parameter λ is chosen to minimize CV score.
  • In this research, we propose an alternative approach to CV in robust regression with L1 penalization. This approach is based on marginalizing prior distribution over the penalty parameter.
  • In this study, we propose an alternative way for CV in robust lasso and robust adaptive lasso using marginal prior on coefficients under Bayesian framework. Throughout simulation studies, we demonstrate that our proposals are competitive to or better than CV in prediction, variable selection, and computing time perspectives.

데이터처리

  • Test data of size 10,000 is additionally generated without outliers and used to measure prediction error. Prediction error is calculated as root mean square of error (RMSE). Simulation is repeated 100 times and we report the average and standard error of RMSEs in Table 1.

이론/모형

  • Outliers come from normal distribution with shifted mean by m-factor of error variance. The error variance is set to have a five times signal-to-noise ratio in a standard deviation scale. i.
본문요약 정보가 도움이 되었나요?

참고문헌 (19)

  1. Bishop CM (2006). Pattern Recognition and Machine Learning, Springer, New York. 

  2. Buntine WL and Weigend AS (1991). Bayesian back-propagation, Complex Systems, 5, 603-643. 

  3. Chang L, Roberts S, and Welsh A (2017). Robust lasso regression using Tukey's biweight criterion, Technometrics, from: https://dx.doi.org/10.1080/00401706.2017.1305299 

    상세보기 crossref

  4. El Ghaoui L and Lebret H (1997). Robust solutions to least-squares problems with uncertain data, SIAM Journal on Matrix Analysis and Applications, 18, 1035-1064. 

    상세보기 crossref

  5. Figueiredo MAT (2003). Adaptive sparseness for supervised learning, IEEE Transactions on Pattern Analysis and Machine Intelligence, 25, 1150-1159. 

    상세보기 crossref

  6. Hastie T, Tibshirani R, and Friedman JH (2001). The Elements of Statistical Learning: Data Mining Inference, and Prediction, Springer, New York. 

  7. Koenker R (2005). Quantile Regression, Cambridge University Press, Cambridge. 

  8. Lambert-Lacroix S and Zwald L (2011). Robust regression through the Huber's criterion and adaptive lasso penalty, Electronic Journal of Statistics, 5, 1015-1053. 

    상세보기 crossref

  9. Lee A, Caron F, Doucet A, and Holmes C (2010). A hierarchical Bayesian framework for constructing sparsity-inducing priors (Technical report), University of Oxford, Oxford. 

  10. Lee S, Shin H, and Lee SH (2016). Label-noise resistant logistic regression for functional data classification with an application to Alzheimer's disease study, Biometrics, 72, 1325-1335. 

    상세보기 crossref

  11. MacKay DJC (1995). Probable networks and plausible predictions: a review of practical Bayesian methods for supervised neural networks, Network: Computation in Neural Systems, 6, 469-505. 

    상세보기 crossref

  12. Maronna RA, Martin RD, and Yohai VJ (2006). Robust Statistics: Theory and Methods, Wiley, Chichester. 

  13. Murphy KP (2012). Machine Learning: A Probabilistic Perspective, The MIT Press, Cambridge. 

  14. Owen AB (2006). A robust hybrid of lasso and ridge regression (Technical report), Stanford University, Stanford. 

  15. Park T and Casella G (2008). The Bayesian lasso, Journal of the American Statistical Association, 103, 681-686. 

    상세보기 crossref

  16. Tipping ME (2001). Sparse Bayesian learning and the relevance vector machine, Journal of Machine Learning Research, 1, 211-244. 

  17. West M (1987). On scale mixtures of normal distributions, Biometrika, 74, 646-648. 

    상세보기 crossref

  18. Zou H (2006). The adaptive lasso and its oracle properties, Journal of the American Statistical Association, 101, 1418-1429. 

    상세보기 crossref

  19. Zou H and Li R (2008). One-step sparse estimates in nonconcave penalized likelihood models, The Annals of Statistics, 36, 1509-1533. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로