การเลือกพารามิเตอร์การปรับสำหรับวิธีการถดถอยแบบลาสโซ่
Article Sidebar
Main Article Content
บทคัดย่อ
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อนำเสนอวิธีการเลือกพารามิเตอร์การปรับสำหรับวิธีการถดถอยแบบลาสโซ่ โดยใช้การตรวจสอบข้อบังคับเบื้องต้นของการวิเคราะห์การถดถอย และเปรียบเทียบผลที่ได้กับการเลือกพารามิเตอร์ปรับจาก 2 วิธี ที่ใช้กันอย่างแพร่หลายสำหรับการถดถอยแบบลาสโซ่ ได้แก่ วิธีการตรวจสอบไขว้ และวิธีการใช้เกณฑ์ข้อสนเทศของเบส์ โดยจำลองข้อมูลให้ครอบคลุมกับเหตุการณ์ที่อาจก่อให้เกิดปัญหาเกี่ยวกับข้อบังคับเบื้องต้นของการถดถอยทั้งหมด 6 กรณี เน้นไปที่การเกิดปัญหาฟังก์ชันการถดถอยไม่เป็นเชิงเส้นและปัญหาค่าความแปรปรวนของค่าความคลาดเคลื่อนมีค่าไม่คงที่ สำหรับเกณฑ์ที่ใช้วัดประสิทธิ์ภาพของผลที่ได้จากการวิเคราะห์การถดถอยด้วยพารามิเตอร์ปรับจากวิธีต่าง ๆ ได้แก่ อัตราความผิดพลาดในการตรวจจับเชิงบวก อัตราความผิดพลาดในการตรวจจับเชิงลบ ค่าคลาดเคลื่อนจากการพยากรณ์ และค่าคลาดเคลื่อนของสัมประสิทธิ์การถดถอย ผลการศึกษาการจำลองข้อมูลพบว่าวิธีการตรวจสอบข้อบังคับเบื้องต้นของการวิเคราะห์การถดถอยให้อัตราความผิดพลาดในการตรวจจับเชิงบวกต่ำที่สุด วิธีการตรวจสอบไขว้ให้อัตราความผิดพลาดในการตรวจจับเชิงลบต่ำกว่าอีก 2 วิธี นอกจากนี้วิธีการตรวจสอบข้อบังคับเบื้องต้นของการวิเคราะห์การถดถอยและวิธีการตรวจสอบไขว้ ไม่มีวิธีใดวิธีหนึ่งที่เหมาะสมกว่าอย่างเด่นชัดกว่ากัน เมื่อพิจารณาจากค่าคลาดเคลื่อนของการพยากรณ์และสัมประสิทธิ์การถดถอย จากการวิเคราะห์กับข้อมูลจริง โดยใช้ข้อมูลไมโครอะเรย์ในโรคอัลไซเมอร์ ยังพบอีกว่าวิธีการตรวจสอบข้อบังคับเบื้องต้นของการวิเคราะห์การถดถอยมีความเหมาะสมมากกว่าอีก 2 วิธี
คำสำคัญ : ข้อมูลที่มีมิติสูง; การถดถอยแบบลาสโซ่; พารามิเตอร์การปรับ; การตรวจสอบข้อบังคับเบื้องต้นของการวิเคราะห์การถดถอย; การตรวจสอบไขว้; เกณฑ์ข้อสนเทศของเบส์
Article Details
เอกสารอ้างอิง
[2] Tibshirani, R., 1996, Regression shrinkage and selection via the lasso, J. R. Stat. Soc. Ser. B 58: 267-288.
[3] Chand, S., 2012, On tuning parameter selection of lasso-type methods: A Monte Carlo study, 9th International Bhurban Conference on Applied Sciences & Technology, National Centre for Physics (NCP), Islamabad.
[4] พิษณุ เจียวคุณ, 2550, การวิเคราะห์การถดถอย, สถานบริการวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยเชียงใหม่, เชียงใหม่,
[5] สุพล ดุรงค์วัฒนา, 2558, Regression Models: Analytics-based Approach, บริษัท แดเน็กซ์ อินเตอร์คอร์ปอเรชั่น จำกัด, กรุงเทพฯ.
[6] Kutner, M.H., Nachtsheim, C.J., Neter, J. and Li, W., 2005, Applied Linear Statistical Models, 5th Ed., The McGraw-Hill Companies, Inc., Singapore.
[7] กัลยา วานิชย์บัญชา, 2552, การวิเคราะห์ข้อมูลหลายตัวแปร, สำนักพิมพ์จุฬาลงกรณ์มหาวิทยาลัย, กรุงเทพฯ, 589 น.
[8] Syed, A.R., 2011, A Review of Cross Validation and Adaptive Model Selection, M.S. Thesis, Department of Mathematics and Statistics, College of Arts and Sciences,
Georgia State University,
[9] Dezeure, R., Bühlmann, P., Meier, L. and Meinshausen, N., 2015, High-dimensional Inference: Confidence intervals, p-values and R-Software hdi, Stat. Sci. 30: 533-558.
[10] Blalock, E.M., Geddes, J.W., Chen, K.C., Porter, N.M., Markesbery, W.R. and Landfield, P.W., 2004, Incipient Alzheimer’s disease: Microarray correlation analyses reveal major transcriptional and tumor suppressor responses, PNAS. 101: 2173-2178.
[11] Shen, T., Ji, F., Yuan, Z. and Jiao, J., 2015, CHD2 is Required for embryonic neurogenesis in the developing cerebral cortex, Stem Cells 33: 1794-806.
[12] Li, Y., Chu, L.W., d, Li, Z., Yik, P.Y. and Song, Y.Q., 2009, A study on the association of the chromosome 12p13 locus with sporadic late-onset Alzheimer’s disease in Chinese, Dement Geriatr. Cogn. Disord. 27: 508-512.
[13] Lazarczyk, M.J., Haller, S., Savioz, A., Gimelli, S., Bena, F. and Giannakopoulos, P., 2017, Heterozygous deletion of Chorein exons 70-73 and GNA14 exons 3-7 in a Brazilian patient presenting with probable Tau-negative early-onset Alzheimer disease, Alzheimer Dis. Assoc. Disord. 31: 82-85.
[14] Kyratzi, E. and Efthimiopoulos, S., 2014, Calcium regulates the interaction of amyloid precursor protein with Homer3 protein, Neurobiol. Aging. 35: 2053-2063.
[15] Wilcock, D.M. and Griffin, W.S.T., 2013, Down’s syndrome, neuroinflammation, and Alzheimer neuropathogenesis, J. Neuroinflamm. 10: 84.
[16] Schneider, A., Huentelman, M.J., Kremerskothen, J., Duning, K., Spoelgen, R. and Nikolich, K., 2010, KIBRA: A new gateway to learning and memory?, Front. Aging Neurosci. 2: 4.
[17] Orre, M., Kamphuis, W., Osborn, L.M., Jansen, A.H.P., Kooijman, L., Bossers, K. and Hol, E.M., 2014, Isolation of glia from Alzheimer's mice reveals inflammation and dysfunction, Neurobiol. Aging. 35: 2746-2760.
[18] Ma, Z., Jiang, W. and Zhang, E.E., 2016, Orexin signaling regulates both the hippocampal clock and the circadian oscillation of Alzheimer’s disease-risk genes, Sci. Rep. 6: 36035.
[19] Wong, J., 2013, Altered expression of RNA splicing proteins in Alzheimer’s disease patients: Evidence from two microarray studies, Dement Geriatr. Cogn. Disord. Extra. 3: 74-85.
[20] Soler-López, M., Zanzoni, A., Lluís, R., Stelzl, U. and Aloy, P., 2011, Interactome mapping suggests new mechanistic details underlying Alzheimer’s disease, Genome Res. 21: 364-376.
[21] Wu, Y., Zhang, S., Xu, Q., Zou, H., Zhou, W., Cai, F., Li, T. and Song, W., 2015, Regulation of global gene expression and cell proliferation by APP, Sci. Rep. 6: 22460.
[22] Hu, Y.S., Xin, J., Hu, Y., Zhang, L. and Wang, J., 2017, Analyzing the genes related to Alzheimer’s disease via a network and pathway-based approach, AZRT, 9: 29.
[23] Yokoyama, J.S., Bonham†, L.W., Sears†, R.L., Klein, E., Karydas, A., Kramer, J.H., Miller, B.L. and Coppola, G., 2015, Decision tree analysis of genetic risk for clinically heterogeneous Alzheimer’s disease, BMC Neurol. 15: 47.
