LASSOの発展形
扱うデータに含まれる複数の説明変数間に類似性などの何らかの関係性がある場合、それらの関係性を考慮した制約を課すとより好ましい結果を得る事ができるようになります。これまでのスパースモデリングの研究において、LASSOの正則化項に工夫をする事でそのデータの制約を表現しさまざまな発展形を生み出してきました。ここではその一部を簡単に紹介します。
時系列など順序データに適用できる連結LASSO
時系列データのように説明変数間に順序関係があり、隣り合う説明変数のいくつかは目的変数に同程度の寄与があるようなデータ解析には連結LASSO（Fused LASSO）という手法が有効です。連結 LASSO を適用することで、目的変数への寄与率が同じ説明変数を特定することができます。
連結LASSOは先ほど紹介したscikit learnには実装がありませんが、筆者がコミッタをつとめるオープンソースのスパースモデリング用のライブラリである spm-imageには実装があります。ご興味がある方はサンプルをご覧ください。
カテゴリデータに適用できるグループLASSO
データ分析をする上でカテゴリ変数をダミー変数として分析することはよくあります。例えば性別を扱うときに以下のようなデータを作ることがあります。
| ID | 男性 | 女性 |
|---|---|---|
| 0001 | 1 | 0 |
| 0002 | 0 | 1 |
このようなダミー変数を含んだ回帰モデルにスパースモデリングを適用するとダミー変数のいずれかの係数が0となることがあります。上の例でいうと男性か女性のいずれかの変数が選ばれることがあるということです。これは困ります。あくまでも変数は性別ですので男性と女性というダミー変数を一つの性別というグループとして扱いそれらの係数をまとめてゼロか非ゼロかを推定する必要があります。このような場合にはグループLASSO（Group LASSO）を使うことでスパースモデリングを適用することができます。
ここではそれぞれの手法を詳しくは説明しませんが、興味のある方は以下の論文にあたってみてください。
- Sparsity and smoothness via the fused lasso
- Model selection and estimation in regression with grouped variables
次回はスパースモデリングのモデルの評価方法について紹介したいと思います。お楽しみに。
