近最优 Lasso 解的凸包逼近
机器学习
2018-10-16 v1 机器学习
摘要
在普通的特征选择过程中，通过求解如 Lasso 回归问题之类的优化问题得到一组重要特征，并且我们期望所获得的特征能很好地解释数据。在本研究中，我们考虑寻找一组多样但近最优的解，而非单一最优解。为此，我们将问题表述为寻找少量解，使得这些解的凸包逼近近最优解的集合。所提出的算法由两步组成：首先，我们随机采样近最优解集的极值点。然后，我们使用贪心算法选择少量点。实验结果表明所提出的算法能很好地逼近解集。结果还表明我们可以获得具有很大多样性的 Lasso 解。
引用
@article{arxiv.1810.05992,
title = {Convex Hull Approximation of Nearly Optimal Lasso Solutions},
author = {Satoshi Hara and Takanori Maehara},
journal= {arXiv preprint arXiv:1810.05992},
year = {2018}
}
备注
14pages