Normalisation des coefficients#

La régression linéaire est le modèle le plus simple pour construire une fonction de prédiction lorsque la variable à prédire est continue.

\[f(X) = \sum_{k=1}^d a_k x_k\]

Les coefficients s’obtiennent en minimisant l’erreur \(E(X,a_1,...,a_d)=\sum_i (\sum_{k=1}^d a_k x_{ik} - y_i)^2=\norme{XA-y}^2\). La solution est explicite : \((a_1,...,a_d) = (X'X)^{-1}X'y\). Lorsque le nombre de dimensions augmentent et dépasse le nombre d’observations, il existe plus d’une solution et la matrice \((X'X)\) n’est plus = inversible. Une des astuces consiste à réduire le nombre de dimension avant avec une ACP ou une SVD (Singular Value Decomposition) qui reviennent à trouver un espace de projection de dimension moindre et sans perte d’information. La régression est effectuée dans cet espace puis transposée dans l’espace initial. Une autre astuce consiste à imposer une contrainte supplémentaire sur le poids des coefficients de la régression, le plus souvent en les pénalisant.

Réduction de dimension#

L’idée est abordée dans le paragraphe Synthèse mathématique. Une fois le problème transporté dans une base de variables indépendantes, chaque dimension peut être traitée séparément. La régression est restreinte aux vecteurs propres associés à une valeur propre non nulle. On en déduit ensuite les coefficients dans la base initiale.

Pénalisation L1 et L2#

La pénalisation revient à minimiser une erreur de la forme.

\[E(X,a_1,...,a_d)=\sum_i \left(\sum_{k=1}^d a_k x_{ik} - y_i\right)^2 + \lambda \sum_{k=1}^d |a_k|^p = \norme{XA-y}^2 + \lambda \sum_{k=1}^d |a_k|^p\]

Le paramètre p permet d’ajuster le poids donné aux petits coefficients et celui donnée aux grands. Lorsque p=2, c’est une pénalisation L2, lorsque p=1, c’est une pénalisation L1. Ces deux ont une incidence différente sur la nullité des coefficients. La pénalisation L1 a tendance à annuler les coefficients, la pénalisation L2 préfère des petits coefficients sur toutes les dimensions. Le notebook ` <>`_ illustre ce fait sur un jeu de données artificiel et montre que le nombre de coefficients non nuls reste plus ou moins constant malgré un nombre de variables d en hausse. Pour s’en convaincre, imaginons un problème à d variables pour lequel on connaît la solution \((a_1^*, ..., a_d^*)\) qui minimise le problème.

\[E(X,a^*_1,...,a^*_d)=\min \sum_i \left(\sum_{k=1}^d a^*_k x_{ik} - y_i\right)^2 + \lambda \sum_{k=1}^d |a^*_k|^p\]

Lorsqu’on ajoute une variable, cette erreur devient :

\[E(X,a^*_1,...,a^*_d, a_{d+1})=\sum_i \left(\sum_{k=1}^d a_k x_{ik} + a_{d+1}x_{i,d+1} - y_i\right)^2 + \lambda \sum_{k=1}^d |a_k|^p + \lambda |a_{d+1}|^p\]

Et sa dérivée :

\[\frac{dE(X,a^*_1,...,a^*_d, a_{d+1})}{da_{d+1}}= 2 \sum_i x_{i,d+1} (\sum_{k=1}^d a^*_k x_{ik} + a_{d+1}x_{i,d+1} - y_i) + \lambda p |a_{d+1}|^{p-1} sign(a_{d+1})\]

On s’intéresse au cas particulier où les variables ne sont pas corrélées et centrées. Cela implique que \(\sum_i x_{i,d+1} x_{i,k} = 0\) si \(k \neq d+1\). Et lorsque p>1, le gradient est nul si on peut résoudre l’équation :

\[\frac{dE(X,a^*_1,...,a^*_d, a_{d+1})}{da_{d+1}}= 2 \sum_i a_{d+1}x_{i,d+1}^2 - y_i x_{i,d+1} + \lambda sign(a_{d+1}) = 0\]

La solution est simple :

\[a_{d+1}^* = \frac{\sum_i y_i x_{i,d+1} - \lambda sign(a_{d+1})}{2 \sum_i x_{i,d+1}^2}\]

Et en fait, pour un \(\lambda\) assez grand, on peut facilement montrer que la solution est impossible puisqu’elle implique que le coefficient \(a_{d+1}^*\) soit de signe opposé à \(\lambda sign(a_{d+1})\). Cela signifie que n’importe quelle valeur pour \(a_{d+1}\) augmente l’erreur. Sa valeur est donc nulle. Ceci n’est pas une démonstration mais donne une intuition de pourquoi une pénalisation L1 annule la plupart des coefficients et est utilisée comme moyen de sélectionner les variables. C’est une démonstration dans le cas où les variables sont indépendantes puisque les coefficients de la régression peuvent être calculés séparément dans ce cas (voir Régression linéaire et corrélation). La pénalisation L2 ne mène pas à une équation impossible. Plus on ajoute de variables, plus l’erreur diminue. Pour aller plus loin, voir [Char] et voir son application à la séelection d’arbres dans une forêt aléatoire Réduction d’une forêt aléatoire.

Bibliographie#

Sur cette page
Montrer le code source