Iteracyjnie ponownie ważono najmniejszych kwadratów - Iteratively reweighted least squares
Część serii na |
Analiza regresji |
---|
Modele |
Oszacowanie |
tło |
Metoda iteracyjnie ponownie ważonych najmniejszych kwadratów ( IRLS ) służy do rozwiązywania pewnych problemów optymalizacyjnych z obiektywnymi funkcjami postaci p- normy :
metodą iteracyjną, w której każdy krok polega na rozwiązaniu ważonego zadania najmniejszych kwadratów postaci:
IRLS służy do znalezienia oszacowań maksymalnego prawdopodobieństwa uogólnionego modelu liniowego oraz w solidnej regresji do znalezienia estymatora M , jako sposób na złagodzenie wpływu wartości odstających w zbiorze danych o normalnym rozkładzie. Na przykład minimalizując najmniej błędów bezwzględnych, a nie najmniejszych błędów kwadratowych .
Jedną z zalet IRLS w porównaniu z programowaniem liniowym i wypukłym jest to, że można go używać z algorytmami numerycznymi Gaussa – Newtona i Levenberga – Marquardta .
Przykłady
Minimalizacja L 1 dla rzadkiej regeneracji
IRLS może być używany do minimalizacji ℓ 1 i wygładzonej minimalizacji ℓ p , p <1, w przypadku problemów z wykrywaniem skompresowanym . Udowodniono, że algorytm ma liniową szybkość zbieżności dla ℓ 1 normą i superlinear o £ -l t o t <1, pod ograniczonym własności izometrii , która jest na ogół wystarczająca warunkiem rzadkich rozwiązań. Jednak w większości praktycznych sytuacji ograniczona właściwość izometrii nie jest spełniona.
L p normalna regresja liniowa
Aby znaleźć parametry β = ( β 1 ,…, β k ) T, które minimalizują normę L p dla problemu regresji liniowej ,
algorytm IRLS w kroku t + 1 polega na rozwiązaniu ważonego liniowego problemu najmniejszych kwadratów :
gdzie W ( t ) jest ukośną macierzą wag, zwykle ze wszystkimi elementami ustawionymi początkowo na:
i aktualizowane po każdej iteracji do:
W przypadku p = 1 odpowiada to najmniejszej bezwzględnej regresji odchyleń (w tym przypadku do problemu lepiej byłoby podejść metodami programowania liniowego , więc wynik byłby dokładny) i wzór jest następujący:
Aby uniknąć dzielenia przez zero, należy dokonać regularyzacji , więc w praktyce wzór wygląda następująco:
gdzie jest jakaś mała wartość, na przykład 0,0001. Należy zauważyć, że użycie w funkcji ważenia jest równoważne z funkcją straty Hubera w solidnej estymacji.
Zobacz też
- Możliwe uogólnione najmniejsze kwadraty
- Algorytm Weiszfelda (do przybliżania mediany geometrycznej ), który można traktować jako szczególny przypadek IRLS
Uwagi
Bibliografia
- Metody numeryczne dla problemów najmniejszych kwadratów autorstwa Åke Björcka (Rozdział 4: Uogólnione problemy najmniejszych kwadratów).
- Praktyczne metody najmniejszych kwadratów w grafice komputerowej. Kurs SIGGRAPH 11