La différence que vous observez est due à la division supplémentaire par le nombre d'observations, N, que GLMNET utilise dans leur fonction objective et à la standardisation implicite de Y par son écart-type d'échantillon comme indiqué ci-dessous.
12N∥∥∥ysy−Xβ∥∥∥22+λ∥β∥22/2
où nous utilisons au lieu de pour ,
1 / ( n - 1 ) s y s y = ∑ i ( y i - ˉ y ) 21/n1/(n−1)sy
sy=∑i(yi−y¯)2n
En différenciant par rapport à la version bêta, en mettant l'équation à zéro,
XTXβ−XTysy+Nλβ=0
Et en résolvant pour la bêta, on obtient l'estimation,
β~G L MNET= ( XTX+ Nλ Ip)- 1XTysy
Pour récupérer les estimations (et leurs pénalités correspondantes) sur la métrique d'origine de Y, GLMNET multiplie les estimations et les lambdas par et renvoie ces résultats à l'utilisateur,sy
X u n s t d . = s y λ
β^G L MNET= syβ~gL MNET= (XTX+Nλ Ip)- 1XTy
λu n s t d.= syλ
Comparez cette solution avec la dérivation standard de la régression de crête.
β^= ( XTX+ λ Ip)- 1XTy
Notez que est mis à l'échelle par un facteur supplémentaire de N. De plus, lorsque nous utilisons la fonction ou , la pénalité sera implicitement mise à l'échelle par . Autrement dit, lorsque nous utilisons ces fonctions pour obtenir les estimations de coefficient pour certains , nous obtenons effectivement des estimations pour .1 / s y λ ∗ λ = λ ∗ / s yλpredict()
coef()
1 / syλ∗λ = λ∗/ sy
Sur la base de ces observations, la peine utilisée dans GLMNET doit être mis à l' échelle par un facteur de .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
Les résultats se généralisent à l'inclusion d'une variable d'interception et de variables X standardisées. Nous modifions une matrice X standardisée pour inclure une colonne d'unités et la matrice diagonale pour avoir une entrée de zéro supplémentaire en position [1,1] (c'est-à-dire ne pas pénaliser l'interception). Vous pouvez ensuite standardiser les estimations par leurs écarts-types d'échantillon respectifs (assurez-vous à nouveau d'utiliser 1 / n lors du calcul de l'écart-type).
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
Code ajouté pour montrer X normalisé sans interception:
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