淺談高維數(shù)據(jù)變量選擇現(xiàn)狀與方法

張凌潔寶雞文理學院

?

淺談高維數(shù)據(jù)變量選擇現(xiàn)狀與方法

張凌潔
寶雞文理學院

變量選擇是統(tǒng)計分析理論中的重要內(nèi)容，也是目前學者們研究的重點。本文在傳統(tǒng)數(shù)據(jù)變量選擇的基礎(chǔ)上，介紹高維數(shù)據(jù)變量選擇方法的研究歷史和研究現(xiàn)狀，總結(jié)已有變量選擇的研究成果，并在此基礎(chǔ)上進行了總結(jié)和展望。

高維 變量選擇 穩(wěn)健方法

1　變量選擇方法簡介

從20世紀60年代至今，變量選擇的研究已有不少文獻與資料。以Akaike 在1974年提出的AIC準則為標志，近幾十年來，變量選擇是統(tǒng)計學者們研究的重點，研究的方法和理論結(jié)果已經(jīng)有了相對成熟的進展。

經(jīng)典的變量選擇包括前進法、后退法、逐步回歸法、最優(yōu)回歸子集法等，通過AIC，BIC，Cp等從候選模型中選出一個最優(yōu)子集來擬合回歸模型。建立回歸模型初期，引入很多相關(guān)的變量以減小模型的誤差；選擇對因變量有明顯影響的重要變量以提高模型預(yù)測的精度和可解釋性。

實際中，經(jīng)典的變量選擇方法，適合模型中變量個數(shù)比較少的模型。但是當變量個數(shù)增多時，需要解決的問題也隨之增多。如由于要求解一個多項式復(fù)雜程度的非確定性問題，從而處理高維和海量問題時失效；對于成百上千的變量，如果我們選擇過多的變量，則會使計算成本過大、變量選擇估計的速度減慢以及模型選擇的精準度降低，也會出現(xiàn)過度擬合現(xiàn)象；如果我們選擇較少的變量，則會遺漏重要變量或選擇變量不當，使結(jié)果誤差較大，也失去了分析研究的意義。只有選取適合的變量選擇方法，才能選擇出有用變量，去除冗余變量，化簡模型。這樣既節(jié)省了計算量，也便于分析數(shù)據(jù)使結(jié)果更加精確，所以選擇適合的變量選擇方法是研究高維數(shù)據(jù)時的重要的步驟。

近年來，統(tǒng)計學者們提出用懲罰函數(shù)同時進行變量選擇和系數(shù)估計，其基本思想就是在進行參數(shù)估計的同時，把較小的系數(shù)估計壓縮，而將較大的系數(shù)估計保留，從而選擇出重要變量達到變量選擇的目的──正則化方法。正則化估計能大大減少計算量、克服經(jīng)典變量選擇方法的不穩(wěn)定性。目前的懲罰方法有：Tishirani等提出的Lasso、Fan等提出的SCAD、Zou等提出的自適應(yīng)Lasso、Zou等提出的Elast ic Net、Wang等提出的組Lasso、Zhao等提出的分級Lasso、Candes等提出的Dantzig Selector 以及Xu等提出L1/2正則化、Zhang等提出處理NP維下的非凸懲罰估計MCP懲罰、Fan等研究超高維非凸懲罰函數(shù)變量選擇問題。

2　高維變量選擇穩(wěn)健方法簡介

隨著科學技術(shù)的發(fā)展，人們可以搜集到物理化學、個性化醫(yī)療、霧霾分析及其它領(lǐng)域的高維海量數(shù)據(jù)。這些數(shù)據(jù)計算的復(fù)雜性和高成本使得經(jīng)典地變量選擇方法不再適用，為此，統(tǒng)計學者們開始尋找研究高維數(shù)據(jù)的變量選擇方法，即以lasso為代表的懲罰似然方法（通過系數(shù)壓縮來實現(xiàn)變量選擇）。然而實際中的高維數(shù)據(jù)卻含有異常值點，使得數(shù)據(jù)呈現(xiàn)尖峰或厚尾分布，此時的變量選擇方法將不再具有優(yōu)良性和穩(wěn)健性，統(tǒng)計學者們提出穩(wěn)健估計方法，即用具有穩(wěn)健性的損失函數(shù)來替代最小二乘損失函數(shù)，如M-估計、最小平方中位數(shù)估計和最小平方修整估計、分位數(shù)回歸模型、秩回歸、CQR估計等。

2.1方法的提出和性質(zhì)的研究

1996年Tibshirani提出一般線性模型下的lasso方法，開啟了高維數(shù)據(jù)變量選擇的研究，具有劃時代的意義。Lasso可以使無明顯影響變量的系數(shù)壓縮為零，同時進行變量選擇和參數(shù)估計。Lasso在估計值較大的變量可將重要變量的系數(shù)壓縮較小，而保證參數(shù)估計的準確性。但是lasso方法不具有oracle性。2004年Fan得出SCAD具有oracle性質(zhì)且降低了計算的復(fù)雜度。2007年Zhao提出lasso不具有相合性也不具有oracle性，Zou對lasso做相同系數(shù)壓縮提出ALasso方法，證明其在固定維數(shù)時具有oracle性。2010年Shojaie提出ALasso中調(diào)整系數(shù)A值的ALasso是一種凸優(yōu)化問題，可快速有效地得到其全局最優(yōu)解。2005年Zou提出了處理基因微陣列數(shù)據(jù)的Elastic net方法，對系數(shù)二次懲罰，使得具有組效應(yīng)的數(shù)據(jù)可以進行有效的變量選擇，且能解決高維小樣本問題。2009年Zou提出的adaptive Elastic Net具有oracle性質(zhì)。為解決Lasso方法過擬合問題，2007年Meinshausen引入壓縮參數(shù)提出Relaxed Lasso，2013張凌潔等分析研究LS+LAD組合損失函數(shù)的高維穩(wěn)健統(tǒng)計性質(zhì)。這些方法一定程度上可以處理高維統(tǒng)計問題。

2.2方法在各類模型中的研究

一般線性模型中有變量選擇，同樣其他模型中也有變量選擇。1996年Tibshirani推出COX模型下的lasso，2001年P(guān)aek提出廣義線性模型下的lasso，2007年Meinshausen提出高斯圖模型中的Graphical lasso，2014年張凌潔等分析研究了分層懲罰鏈接單個圖模型的估計的多圖模型，2011年盧穎提出poisson對數(shù)線性模型下和logist ic回歸模型下的ElasticNet變量選擇方法，同年Nardi提出時間序列模型下的lasso，Kai等提出的變系數(shù)半?yún)?shù)模型下的SCAD及其理論性質(zhì)，崔靜等提出Poisson對數(shù)回歸模型下ALasso的定義和性質(zhì)，2012年Li提出半?yún)?shù)模型的lasso，2015年蘇美紅等［4］分析研究了LADElastic Net模型選擇的一致性。

2.3方法研究注意的事項

正則化方法研究的模式通常是“損失函數(shù)+懲罰函數(shù)”，一個較優(yōu)的懲罰估計需注意以下幾個問題：

（1）選擇損失函數(shù)。損失函數(shù)的好壞決定著模型的穩(wěn)健性，數(shù)據(jù)模型呈正態(tài)分布時，其結(jié)果最佳；

（2）選擇懲罰函數(shù)。懲罰估計的理論性質(zhì)（稀疏性、連續(xù)性和無偏性）取決于懲罰函數(shù)的選擇；

（3）采用的算法。算法的可行性，運算時間直接影響著估計結(jié)果的準確性；

（4）選擇調(diào)試參數(shù)。調(diào)試參數(shù)對模型稀疏性和相合性影響較大。

3　總結(jié)與展望

隨著大數(shù)據(jù)應(yīng)用的深廣，人們對高維數(shù)據(jù)的研究和運用也日益普遍。高維數(shù)據(jù)變量選擇是大數(shù)據(jù)研究領(lǐng)域的熱點，也是大數(shù)據(jù)領(lǐng)域不得不關(guān)注的重要問題。本文介紹了高維數(shù)據(jù)變量選擇方法的研究歷史和研究現(xiàn)狀，總結(jié)了一些已有的研究成果。高維數(shù)據(jù)變量選擇模型多種多樣，從中選擇與實際情況相結(jié)合并不斷地修改模型使其具有實際應(yīng)用價值。如果采用最優(yōu)的函數(shù)和有效的算法，用于模型的建立與算法的實現(xiàn)，可為高維數(shù)據(jù)變量選擇的應(yīng)用提供研究基礎(chǔ)，有利于推進研究工作的進一步深化，也有利于體現(xiàn)現(xiàn)實價值。

［1］ Tibshi rani， R. Regression shrinkage and selectionvia the Lasso［J］. Journal of the Royal Statistical Society Series B. 1996， 58： 267-288.

［2］張凌潔，蘇美紅，張海。LS，LAD組合損失的高維統(tǒng)計性質(zhì)分析［J］.純粹數(shù)學與應(yīng)用數(shù)學期刊（自然科學版），2013，29（5）：536-546.

［3］張凌潔，張海。多圖模型的聯(lián)合估計的群橋方法［J］.高校應(yīng)用數(shù)學學報（自然科學版）.2014，29（2）：127-137.

［4］蘇美紅，張海，張凌潔.基于LAD-Elast ic Net的模型選擇［J］.南京大學學報（自然科學版），2015，51（4）：894-900.

寶雞文理學院校級重點科研項目，項目名稱：高維數(shù)據(jù)統(tǒng)計性質(zhì)分析。編號：（ZK16118）。

0212.1

張凌潔（1986-），女，陜西鳳翔人，碩士學位，主要研究方向：機器學習。