Mínimos quadrados reponderados iterativamente - Iteratively reweighted least squares
Parte de uma série sobre |
Análise de regressão |
---|
Modelos |
Estimativa |
Fundo |
O método de mínimos quadrados reponderados iterativamente ( IRLS ) é usado para resolver certos problemas de otimização com funções objetivo na forma de uma norma p :
por um método iterativo em que cada etapa envolve a resolução de um problema de mínimos quadrados ponderados da forma:
IRLS é usado para encontrar as estimativas de máxima verossimilhança de um modelo linear generalizado e em regressão robusta para encontrar um estimador M , como uma forma de mitigar a influência de outliers em um conjunto de dados normalmente distribuído. Por exemplo, minimizando os erros absolutos mínimos em vez dos erros de quadrados mínimos .
Uma das vantagens do IRLS sobre a programação linear e convexa é que ele pode ser usado com algoritmos numéricos de Gauss – Newton e Levenberg – Marquardt .
Exemplos
Minimização L 1 para recuperação esparsa
IRLS pode ser usado para ℓ 1 minimização e suavização ℓ p minimização, p <1, em problemas de sensoriamento comprimido . Foi provado que o algoritmo possui uma taxa de convergência linear para ℓ 1 norma e superlinear para ℓ t com t <1, sob a propriedade de isometria restrita , que geralmente é uma condição suficiente para soluções esparsas. No entanto, na maioria das situações práticas, a propriedade de isometria restrita não é satisfeita.
Regressão linear de norma L p
Para encontrar os parâmetros β = ( β 1 , ..., β k ) T que minimizam a norma L p para o problema de regressão linear ,
o algoritmo IRLS na etapa t + 1 envolve resolver o problema dos mínimos quadrados lineares ponderados :
onde W ( t ) é a matriz diagonal de pesos, geralmente com todos os elementos definidos inicialmente para:
e atualizado após cada iteração para:
No caso p = 1, isso corresponde à regressão de menor desvio absoluto (neste caso, o problema seria melhor abordado pelo uso de métodos de programação linear , então o resultado seria exato) e a fórmula é:
Para evitar a divisão por zero, a regularização deve ser feita, então na prática a fórmula é:
onde está algum valor pequeno, como 0,0001. Observe que o uso de na função de ponderação é equivalente à função de perda de Huber na estimativa robusta.
Veja também
- Mínimos quadrados generalizados viáveis
- O algoritmo de Weiszfeld (para aproximar a mediana geométrica ), que pode ser visto como um caso especial de IRLS
Notas
Referências
- Métodos numéricos para problemas de mínimos quadrados por Åke Björck (Capítulo 4: Problemas generalizados de mínimos quadrados.)
- Mínimos quadrados práticos para computação gráfica. SIGGRAPH Curso 11