Ortogonal eşleme takibi gerilemesi - yanlış mı kullanıyorum?

Question

Kement ve elastik ağa alternatif olarak bu yöntemi düzenli bir regresyon olarak deniyorum. 40k veri noktam ve 40 özellik var. Kement 5 özelliği seçer ve ortogonal eşleştirme takibi yalnızca 1'i seçer.

Buna ne sebep olabilir? Omp'u yanlış yoldan mı kullanıyorum? Belki de bir gerileme olarak kullanılmamalıdır. Başka bir şey yapamazsan, lütfen bana bildirin.

Answer 1

Orthogonal Matching Pursuit, scikit-learn uygulamasında uygulandığı gibi giriş verilerine biraz bozuk veya en azından çok hassas görünüyor.

Örnek:

import sklearn.linear_model 
import sklearn.datasets 
import numpy 

X, y, w = sklearn.datasets.make_regression(n_samples=40000, n_features=40, n_informative=10, coef=True, random_state=0) 

clf1 = sklearn.linear_model.LassoLarsCV(fit_intercept=True, normalize=False, max_n_alphas=1e6) 
clf1.fit(X, y) 

clf2 = sklearn.linear_model.OrthogonalMatchingPursuitCV(fit_intercept=True, normalize=False) 
clf2.fit(X, y) 

# this is 1e-10, LassoLars is basically exact on this data 
print numpy.linalg.norm(y - clf1.predict(X)) 

# this is 7e+8, OMP is broken 
print numpy.linalg.norm(y - clf2.predict(X)) 

Eğlence deneyler:

sklearn.datasets içinde konserve veri kümelerinin bir grup vardır

• . OMP hepsinde başarısız mı? Görünüşe göre, diyabet veri kümesinde işe yarıyor ...

• make_regression için OMP'nin çalıştığı verileri üretecek herhangi bir parametre kombinasyonu var mı? Hala onu arıyor ... 100 x 100 ve 100 x 10 aynı şekilde başarısız.