Il est bien connu que la régression linéaire avec une pénalité de équivaut à trouver l'estimation MAP donnée un a priori gaussien sur les coefficients. De même, l'utilisation d'une pénalité équivaut à l'utilisation d'une distribution de Laplace comme a priori.
Il n'est pas rare d'utiliser une combinaison pondérée de régularisation et . Peut-on dire que cela équivaut à une certaine distribution antérieure sur les coefficients (intuitivement, il semble que ce doit être le cas)? Pouvons-nous donner à cette distribution une belle forme analytique (peut-être un mélange de gaussien et de laplacien)? Sinon, pourquoi pas?
regression
bayesian
regularization
prior
elastic-net
Michael Curry
la source
la source
Réponses:
Le commentaire de Ben est probablement suffisant, mais je fournis quelques références supplémentaires dont l'une est antérieure à l'article référencé par Ben.
Une représentation nette élastique bayésienne a été proposée par Kyung et. Al. dans leur section 3.1. Bien que l'a priori du coefficient de régression soit correct, les auteurs ont incorrectement noté la représentation du mélange.β
Un modèle bayésien corrigé pour le filet élastique a été récemment proposé par Roy et Chakraborty (leur équation 6). Les auteurs présentent également un échantillonneur de Gibbs approprié à échantillonner à partir de la distribution postérieure, et montrent que l'échantillonneur de Gibbs converge vers la distribution stationnaire à une vitesse géométrique. Pour cette raison, ces références pourraient s'avérer utiles, en plus du document Hans .
la source