稀疏结构模型——套索模型、组套索、重叠组套索模型

• • 普通套索模型
    • 1 线性套索模型
  • 组套索模型
  • 重叠组套索模型
  • 其他

本文简单介绍这几种套索模型（Lasso）的概念，推导到后期再研究补充；
这种模型的功能：实现稀疏特征的选择和模型参数的估计；

1 普通套索模型

1.1 线性套索模型

Y=XW+b

则：

argminW12||XW−Y||22+λ||W||1

套索模型使用L1范数做为其惩罚函数，实现了特征的稀疏选择。

---

2 组套索模型

当特征之间存在某种组结构时，可以将组结构信息作为先验，然后进行特征分组，最后使用L1范数构造罚函数，这就是组套索模型（Group Lasso）;
这种思想也成为组稀疏模型，上文提到的是特征稀疏模型；

对于线性模型：

Y=XW+b

其中，Y∈RN，X∈RN∗P，W={w1,w2,...,wp},W∈RP，P代表特征的个数；
现在特征之间存在组结构信息，有J个组，G={gi|i=1,2,...,J}，组之间互不相交；
利用罚函数优化模型：αj指示组权重，可以全局共享；

argminW||Y−XW||22+λ∑j=1Jαj||Wj||2

进一步的，我们可以看到惩罚项其实是Wj的L2范数,然后再求组的L1范数；称为L2,1范数，，这种模型实现了特征组的选择；
推广：L∞,1，Lp,1等；

---

3 重叠组套索模型

普通组要求组之间互为正交，但是有时候会出线重叠的情况；
则构造处以下目标函数：

argminW||Y−XW||22+λ∑gj∈G|J|αgj||Wgj||2

由于不同组之间共享了特征变量，块坐标法不适用；
轮换方向乘子法可以解决这类问题：为此需要引入辅助变量，做等式约束变换，最后利用乘子罚函数法获得最优解：

minW||Y−XW||22+λ∑gj∈G|J|αgj||Zgj||2s.t.Zgj=Wgj,gj∈G

构造乘子罚函数：

L(W,ξ,Z)=||Y−XW||22+λ∑gj∈G|J|αgj||Zgj||2+ω2∑gj∈Gξgj(Zgj−Wgj)+∑gj∈G||Zgj−Wgj||22

这里，ω是惩罚因子，很大的正数；ξ是拉格朗日变量；
这样就可以直接用轮换方向乘子的方法进行求解；

---

4 其他

还有很多模型：树套索模型，混合模型等；