我们都熟悉在文献中有充分记载的概念,即LASSO优化(为简单起见,这里仅将注意力集中在线性回归的情况下) 等效于具有高斯误差的线性模型,在线性模型中,参数被赋予了拉普拉斯先验 \ exp(-\ lambda \ | \ beta \ | _1) 我们也知道,较高的那个会设置调整参数,\ lambda,参数的较大部分将设置为零。话虽如此,我有以下思想问题:
考虑到从贝叶斯的角度来看,我们可以计算出后验概率,即非零参数估计值位于任何给定的时间间隔集合中,并且 LASSO设置为零的参数等于零。让我感到困惑的是,假设拉普拉斯先验是连续的(实际上是绝对连续的),那么在集合上如何有任何质量是\ {0 \}处的间隔和单例的乘积?
8
是什么让您认为后验也不是连续的pdf?后验的最大值恰好发生在恰好有很多0分量的点上,这一事实本身并不意味着后验不是连续的pdf。
—
Brian Borchers 2015年
后验是连续的PDF。如果将其视为受限的最大似然估计,则当真实模型在多个回归系数处为零且调整常数足够大时,如果我们想象从同一数据分布中重复抽取,则CMLE将始终将相同的分量设置为零,而将零参数将扩展为相应的置信区间。从贝叶斯角度来看,这等效于此类集合具有正概率。我的问题是,如何才能连续分发。
—
Grant Izmirlian
CLME解决方案与MAP估计值一致。真的没有什么可说的了。
—
Sycorax说,恢复莫妮卡
CMLE解决方案不是后验样本。
—
Brian Borchers 2015年
没有矛盾,因为后部不会在较小尺寸的集合上施加质量。
—
西安