Utilisateur:LaBaguette/Brouillon2

• Gérer mon brouillon
• Demander une relecture (voir les demandes)
• Publier mon brouillon

Cette page est un brouillon appartenant à LaBaguette

Conseils de rédaction

• → N'hésitez pas à publier sur le brouillon un texte inachevé et à le modifier autant que vous le souhaitez.
• → Pour enregistrer vos modifications au brouillon, il est nécessaire de cliquer sur le bouton bleu : « Publier les modifications ». Il n'y a pas d'enregistrement automatique.

Si votre but est de publier un nouvel article, votre brouillon doit respecter les points suivants :

• Respectez le droit d'auteur en créant un texte spécialement pour Wikipédia en français (pas de copier-coller venu d'ailleurs).
• Indiquez les éléments démontrant la notoriété du sujet (aide).
• Liez chaque fait présenté à une source de qualité (quelles sources  – comment les insérer).
• Utilisez un ton neutre, qui ne soit ni orienté ni publicitaire (aide).
• Veillez également à structurer votre article, de manière à ce qu'il soit conforme aux autres pages de l'encyclopédie (structurer – mettre en page).

• → Si ces points sont respectés, pour transformer votre brouillon en article, utilisez le bouton « publier le brouillon » en haut à droite. Votre brouillon sera alors transféré dans l'espace encyclopédique.

En statistiques, le lasso est une méthode de contraction des coefficients de la régression développée par Robert Tibshirani dans un article publié en 1996 intitulé Regression shrinkage and selection via the lasso.

Le nom est un acronyme anglais : Least Absolute Shrinkage and Selection Operator.

Cette méthode, comme la régression par arête (ridge regression) ou les méthodes de sélection de variables, est utile lorsque le nombre d'observations est inférieur au nombre de variables explicatives ($n<p$). Dans le cas standard, où le nombre d'observations est largement supérieur au nombre de variables explicatives ($n>>p$), l'estimateur usuel des moindres carrés est plus efficace que le lasso.

Présentation formelle

Soit $x_{i}=(x_{i,1},\dots ,x_{i,p})^{T}$, le vecteur contenant les variables explicatives associées à l'individu $i$, $y_{i}$ la réponse associée et $\beta =(\beta _{1},\dots ,\beta _{p})^{T}$ les coefficients à estimer.

Modèle linéaire

Dans le cadre d'un modèle linéaire standard, les coefficients sont obtenus par minimisation de la somme des carrés des résidus.

Avec la méthode lasso, le vecteur de coefficients ${\widehat {\beta }}_{\lambda }^{L}$ est également obtenu en minimisant la somme des carrés des résidus mais sous une contrainte supplémentaire :

${\begin{aligned}\min _{\beta _{0},\beta _{1},\dots ,\beta _{p}}{\frac {1}{2}}\sum _{i=1}^{n}\left(y_{i}-\beta _{0}-\sum _{j=1}^{p}\beta _{j}x_{i,j}\right)^{2}{\text{ sous la contrainte }}\sum _{j=1}^{p}|\beta _{j}|\leq t.\end{aligned}}$

Le paramètre $t$ contrôle le niveau de régularisation des coefficients estimés.

Il s'agit d'une pénalisation de la norme $\ell _{1}$ des coefficients $\beta _{j},j=1,\dots ,p$. Cette contrainte va contracter la valeur des coefficients (tout comme la régression ridge) mais la forme de la pénalité $\ell _{1}$ va permettre à certains coefficients de valoir exactement zéro (à l'inverse de la régression ridge).

En bleu, zones de contraintes de la pénalité lasso (à gauche) et de la pénalité ridge (à droite). En rouge, les contours de la fonction d'erreur des moindres carrés.

De plus, dans des cas où le nombre de variables est supérieur au nombre d'individus $n<p$, le lasso en sélectionnera au plus $n$.

On peut écrire aussi la version lagrangienne de ce problème :

$\min _{\beta _{0},\beta _{1},\dots ,\beta _{p}}{\frac {1}{2}}\sum _{i=1}^{n}\left(y_{i}-\beta _{0}-\sum _{j=1}^{p}\beta _{j}x_{i,j}\right)^{2}+\lambda \sum _{j=1}^{p}|\beta _{j}|$

avec $\lambda \geq 0$ le paramètre de régularisation. Ce paramètre $\lambda$ est relié au paramètre $t$ par une relation dépendante des données.

Écriture vectorielle

Soit $X$ la matrice contenant en ligne les individus, $X_{i,.}=(x_{i,1},\dots ,x_{i,p})$. Le lasso s'écrit généralement sous forme vectorielle, en considérant les variables centrées afin d'enlever la constante $\beta _{0}$ du problème :

En rouge, la fonction de seuillage doux, $S(x;\lambda )$. En pointillés, la droite d'équation $y=x$.

${\begin{aligned}\min _{\beta \in \mathbb {R} ^{p}}{\frac {1}{2}}\|y-X\beta \|_{2}^{2}{\text{ sous la contrainte }}\|\beta \|_{1}\leq t\end{aligned}}$

avec $\|a\|_{q}=(\sum \limits _{i=1}^{n}|a_{i}|^{q})^{1/q}$ la norme $\ell _{q}.$

La version vectorielle pour le lagrangien, quant à elle, s'écrit :

$\min _{\beta \in \mathbb {R} ^{p}}{\frac {1}{2}}\|y-X\beta \|_{2}^{2}+\lambda \|\beta \|_{1}.$

Cas orthonormal

Dans le cas où la matrice $X$ est telle que $X^{T}X=I_{p}$, le lasso a une solution explicite. L'estimateur lasso correspond alors à un seuillage doux de la solution des moindres carrées. Notons ${\hat {\beta }}^{LS}$ la solution des moindres carrées. La solution du lasso pour $j=1,\dots ,p$ est :

${\hat {\beta }}_{j}^{L}=\operatorname {sgn}({\hat {\beta }}_{j}^{LS})\cdot \max(0,|{\hat {\beta }}_{j}^{LS}|-\lambda )$

Démonstration

Soit ${\hat {\beta }}^{LS}$ la solution des moindres carrés. Comme $X^{T}X=I$, on a :

${\hat {\beta }}^{LS}=(X^{T}X)^{-1}X^{T}y=X^{T}y$.

La version lagrangienne du lasso est :

$\min _{\beta \in \mathbb {R} ^{p}}{\frac {1}{2}}\|y-X\beta \|_{2}^{2}+\lambda \|\beta \|_{1}$

En développant le premier terme du problème, on obtient ${\frac {1}{2}}y^{T}y-y^{T}X\beta +{\frac {1}{2}}\beta ^{T}X^{T}X\beta$. Comme $y^{T}y$ est constant et $X^{T}X=I$, le problème devient :

$\min _{\beta \in \mathbb {R} ^{p}}-y^{T}X\beta +{\frac {1}{2}}\|\beta \|_{2}^{2}+\lambda \|\beta \|_{1}$

En remarquant que $y^{T}X=({\hat {\beta }}^{LS})^{T}$, on peut réécrire :

$\min _{\beta \in \mathbb {R} ^{p}}\sum \limits _{j=1}^{p}-{\hat {\beta }}_{j}^{LS}\beta _{j}+{\frac {1}{2}}\beta _{j}^{2}+\lambda |\beta _{j}|$

Notre fonction objectif s'écrit ainsi comme une somme de fonctions objectifs chacune associée à un $\beta _{j}$ différent. On peut donc optimiser le problème pour chaque $j$. Ainsi, notre problème pour un $j$ donné est : $\min _{\beta _{j}\in \mathbb {R} }-{\hat {\beta }}_{j}^{LS}\beta _{j}+{\frac {1}{2}}\beta _{j}^{2}+\lambda |\beta _{j}|$. Notons $f_{j}$ la fonction à minimiser.

Remarquons que si ${\hat {\beta }}_{j}^{LS}>0$, alors $\beta _{j}\geq 0$. De même si ${\hat {\beta }}_{j}^{LS}<0$, alors $\beta _{j}\leq 0$.

Comme la fonction valeur absolue n'est pas dérivable en $0$, nous considérons plusieurs cas :

• ${\hat {\beta }}_{j}^{LS}>0$, on a donc $\beta _{j}\geq 0$ et $f_{j}(\beta _{j})=-{\hat {\beta }}_{j}^{LS}\beta _{j}+{\frac {1}{2}}\beta _{j}^{2}+\lambda \beta _{j}$.

En résolvant, $f_{j}^{'}(\beta _{j})=0$, on obtient $\beta _{j}={\hat {\beta }}_{j}^{LS}-\lambda$.

Comme on a forcément $\beta _{j}\geq 0$, ce minimum est atteint seulement lorsque ${\hat {\beta }}_{j}^{LS}-\lambda \geq 0$, si ce n'est pas le cas, le minimum est atteint pour $\beta _{j}=0$. On a donc $\beta _{j}=\max(0,{\hat {\beta }}_{j}^{LS}-\lambda )$

• ${\hat {\beta }}_{j}^{LS}\leq 0$, on a donc $\beta _{j}\leq 0$.

En suivant le même raisonnement, on obtient $\beta _{j}=\max(0,-{\hat {\beta }}_{j}^{LS}-\lambda )$.

Finalement, on a : $\beta _{j}=\left\{{\begin{array}{lll}\max(0,{\hat {\beta }}_{j}^{LS}-\lambda )&{\mbox{si}}&{\hat {\beta }}_{j}^{LS}>0\\\max(0,-{\hat {\beta }}_{j}^{LS}-\lambda &{\mbox{si}}&{\hat {\beta }}_{j}^{LS}\leq 0\end{array}}\right.$

que l'on peut simplifier sous la forme

$\beta _{j}=\operatorname {sgn}({\hat {\beta }}_{j}^{LS})\cdot \max(0,|{\hat {\beta }}_{j}^{LS}|-\lambda )$.

Conditions de Karush-Kuhn-Tucker

Les conditions de Karush-Kuhn-Tucker sont des conditions qu'une solution d'un problème d'optimisation sous contraintes doit vérifier. Dans le cas de la version linéaire du lasso, les conditions du premier ordre sont pour $j=1,\dots ,p$ :

$X_{.,j}(y-X{\hat {\beta }}_{\lambda }^{L})=\lambda s_{j},$

$s_{j}\in \left\{{\begin{array}{lll}\operatorname {sgn}(({\hat {\beta }}_{\lambda }^{L})_{j})&{\mbox{si}}&({\hat {\beta }}_{\lambda }^{L})_{j}\not =0\\{[-1;1]}&{\mbox{si}}&({\hat {\beta }}_{\lambda }^{L})_{j}=0\end{array}}\right.$

avec $X_{.,j}$ la $j$^{ieme colonne de la matrice $X$ et $s_{j}$ appartenant au sous-différentiel de la fonction $f(x)=|x|$.}

Cas général

Le lasso n'est pas uniquement restreint à la régression linéaire, il peut être également utilisé avec les modèles linéaires généralisés permettant ainsi de faire de la régression logistique pénalisée. L'écriture vectorielle de la forme lagrangienne est :

$\min _{\beta \in \mathbb {R} ^{p}}{\frac {1}{n}}\sum \limits _{i=1}^{n}f_{\beta }(X_{i,.},y_{i})+\lambda \|\beta \|_{1}$ avec $f_{\beta }$ une fonction objectif.

Par exemple, pour une régression logistique, on a :

$f_{\beta }(X_{i,.},y_{i})={\frac {1}{N}}\sum _{i=1}^{N}y_{i}(\beta _{0}+X_{i,.}^{T}\beta )-\log(1+e^{(\beta _{0}+X_{i,.}^{T}\beta )})$.

Avantages et limites du lasso

Les principaux avantages du lasso sont :

• Grande dimension : le lasso fonctionne dans les cas où le nombre d'individus est inférieur au nombre de variables $(n<p)$, ce qui n'est pas le cas de la régression linéaire classique.
• Sélection parcimonieuse : le lasso permet de sélectionner un sous-ensemble restreint de variables (dépendant du paramètre $\lambda$). Cette sélection restreinte permet aussi une meilleure interprétation.
• Consistance de la sélection : lorsque le vrai vecteur solution $\beta$ est creux $(\|\beta \|_{0}=K<p)$, c'est-à-dire que seul un sous-ensemble de variables est utilisé pour la prédiction, sous de bonnes conditions, le lasso sera en mesure de sélectionner ces variables d'intérêts avant toutes autres variables.

Par contre, certaines limites du lasso ont été démontrées :

• Les fortes corrélations : si des variables sont fortement corrélées entre elles et qu'elles sont importantes pour la prédiction, le lasso en privilégiera une au détriment des autres. Un autre cas, où les corrélations posent problème, est quand les variables d'intérêts sont corrélées avec d'autres variables. Dans ce cas, la consistance de la sélection du lasso n'est plus assurée.
• La très grande dimension : lorsque notamment la dimension est trop élevée ($p$ très grand comparé à $n$) ou le vrai vecteur $\beta$ n'est pas suffisamment creux (trop de variables d'intérêts), le lasso ne pourra pas retrouver l'ensemble de ces variables d'intérêts.

Algorithmes de Résolution

Comme la fonction objectif du lasso n'est pas différentiable (car la norme $\ell _{1}$ n'est pas différentiable en 0), différents algorithmes ont été développés afin d'en trouver les solutions. Parmi ces algorithmes, on retrouve notamment le Least-Angle Regression (LARS) et la descente de coordonnées circulaire .

Applications

Exemple de chemin solution du lasso. Chaque courbe représente la valeur d'un coefficients estimés par le lasso en fonction de $\lambda$.

Le lasso est utilisé dans des problèmes de grande dimension ($n<<p$), un cas où des méthodes plus classiques ne fonctionnent pas. Le lasso dispose d'algorithmes peu coûteux en temps de calcul et de stockage, ce qui le rend d'autant plus populaire, comme par exemple en génomique où l'on peut être amené à traiter des jeux de données avec plusieurs centaines de milliers de variables.

En pratique, le lasso est testé pour différentes valeurs de $\lambda$. Un chemin solution représentant l'évolution des coefficients en fonction de $\lambda$ est ainsi obtenu. La courbe d'un coefficient estimé en fonction de $\lambda$ est linéaire par morceaux. Une fois ce chemin solution obtenu, une valeur de $\lambda$ est choisie par des méthodes comme la validation croisée ou un critère d'information (AIC par exemple).

Extensions

Un certain nombre de variantes du lasso ont été créées pour étendre la méthode à différents cas pratiques ou pour palier certaines limitations du lasso. Sont présentées ici les variantes les plus courantes.

Elastic-Net

L'Elastic-net a été introduit afin de surmonter deux "limitations" du lasso. Premièrement, le lasso ne peut sélectionner qu'au plus $n$ variables dans le cas où $n<p$. Deuxièmement, en présence d'un groupe de variables fortement corrélées, le lasso ne sélectionne généralement qu'une seule variable du groupe. L'idée est donc d'ajouter au lasso une pénalité ridge. Ainsi l'objectif de l'Elastic-Net est :

$\min _{\beta \in \mathbb {R} ^{p}}{\frac {1}{2}}\|y-X\beta \|_{2}^{2}+\lambda _{1}\|\beta \|_{1}+\lambda _{2}\|\beta \|_{2}^{2}$

avec $\lambda _{1}\geq 0$ et $\lambda _{2}\geq 0$.

Fused-lasso

Le Fused-Lasso permet de prendre en compte la spatialité des variables. Le principe est que les variables "proches" aient des coefficients estimés "proches". Cela est possible en pénalisant la norme $\ell _{1}$ de la différence de deux coefficients successifs. De la même manière que pénaliser la norme $\ell _{1}$ d'un coefficient a tendance à produire des coefficients égaux à 0, pénaliser la différence va favoriser l'égalité de deux coefficients successifs. L'objectif du Fused-Lasso est alors :$\min _{\beta \in \mathbb {R} ^{p}}{\frac {1}{2}}\|y-X\beta \|_{2}^{2}+\lambda _{1}\|\beta \|_{1}+\lambda _{2}\sum \limits _{j=2}^{p}|\beta _{j}-\beta _{j-1}|$

avec $\lambda _{1}\geq 0$ et $\lambda _{2}\geq 0$.

Group-Lasso

L'idée du Group-Lasso est d'avoir une méthode fournissant une sélection parcimonieuse de groupes (fournis a priori) et non de variables. Soit ${\mathcal {G}}=\{G_{1},\dots ,G_{K}\}$, une partition des $p$ variables en $K$ groupes. On note $\beta _{G}$, pour $G\in {\mathcal {G}}$, le vecteur $\beta$ restreint aux éléments du groupe $G$. L'objectif du Group-Lasso est :

$\min _{\beta \in \mathbb {R} ^{p}}{\frac {1}{2}}\|y-X\beta \|_{2}^{2}+\lambda \sum \limits _{j=1}^{K}w_{j}\|\beta _{G_{j}}\|_{2}$

avec $\lambda \geq 0$, le paramètre de régularisation et $w_{j}>0$, un poids associé au groupe $G_{j}$ (généralement ${\sqrt {\mathrm {Card} (G_{j})}}$).

Voir aussi

Liens externes

• The Lasso Page sur le site web de Robert Tibshirani

Catégorie:Apprentissage automatique Catégorie:Régression