[en] A THEORY BASED, DATA DRIVEN SELECTION FOR THE REGULARIZATION PARAMETER FOR LASSO

• Other Authors: MARCELO CUNHA MEDEIROS
• Language: en
• Published: MAXWELL 2021
• Subjects: [pt] LASSO; [pt] PARAMETRO DE REGULARIZACAO; [pt] APRENDIZADO POR MAQUINA; [pt] ADALASSO; [en] LASSO; [en] REGULARIZATION PARAMETER; [en] MACHINE LEARNING; [en] ADALASSO
• Online Access: https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=51983@1; https://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=51983@2; http://doi.org/10.17771/PUCRio.acad.51983

[pt] O presente trabalho apresenta uma nova forma de selecionar o parâmetro de regularização do LASSO e do adaLASSO. Ela é baseada na teoria e incorpora a estimativa da variância do ruído. Nós mostramos propriedades teóricas e simulações Monte Carlo que o nosso procedimento é capaz de lidar com mais variáveis no conjunto ativo do que outras opções populares para a escolha do parâmetro de regularização. === [en] We provide a new way to select the regularization parameter for the LASSO and adaLASSO. It is based on the theory and incorporates an estimate of the variance of the noise. We show theoretical properties of the procedure and Monte Carlo simulations showing that it is able to handle more variables in the active set than other popular options for the regularization parameter.