SAGA und Toleranz bei sparsam besetzter multinomialer logistischer Regression wählen
Zusammenfassung
Diese Konfigurationsnotiz erklärt, warum eine multinomiale logistische Regression mit L1-Strafe SAGA statt des liblinear-Solvers von scikit-learn verwendet. Sie verweist auf die Kompatibilität mit mehreren Klassen in neueren scikit-learn-Versionen und berichtet, dass SAGA in gemessenen Nasdaq-100-Mikrostruktur-Experimenten deutlich schneller fertig wurde. Auch beim berichteten Log-Loss und bei der Genauigkeit außerhalb der Stichprobe schnitt SAGA unter den getesteten Einstellungen besser ab.
Im Mittelpunkt der Notiz steht die Einstellung der Toleranz auf 0.001, damit sich die Sparsamkeit von L1 in exakt null betragenden Koeffizienten zeigt. Bei einer großzügigeren Toleranz blieben einige Koeffizienten lediglich nahe null, wodurch die Anzahl ausgewählter Merkmale verzerrt wurde. In den berichteten Vergleichen ergab die engere Einstellung mindestens so viele sparse Koeffizienten wie liblinear. Dies sind Implementierungs- und Benchmark-Ergebnisse für ein bestimmtes Panel, keine allgemeinen Garantien: Die Laufzeit mit dem vollständigen Datensatz ist ausdrücklich unbekannt, und ihre Hochrechnung hängt von einer unsicheren Skalierungsschätzung ab.
Kernaussagen
- SAGA unterstützt die Konfiguration für die multinomiale logistische Regression mit drei Klassen, in der liblinear in neueren Bibliotheksversionen beim Fit mit mehreren Klassen scheitern kann.
- Gemessene Experimente mit einem Nasdaq-100-Mikrostrukturpanel zeigten, dass SAGA schneller war und bei den berichteten Kennzahlen außerhalb der Stichprobe etwas besser abschnitt.
- Eine engere Konvergenztoleranz hilft, tatsächlich null betragende L1-Koeffizienten von kleinen, aber nicht null betragenden Werten zu unterscheiden.
- Die berichteten Laufzeiten belegen nicht die Laufzeit bei voller Datensatzgröße.
Schlagwörter
Volltext
# logistic_l1_C0.1.yaml ```yaml # L1 logistic regression. The solver is `saga` rather than `liblinear`, and the tolerance # is set explicitly rather than left at scikit-learn's 1e-4 default. # # Two reasons, and the first one is not optional. These labels are three-class (-1, 0, 1), # and scikit-learn 1.8 makes multiclass `liblinear` a hard error; #740 already moved our # floor to 1.7. `OneVsRestClassifier(liblinear)` would reproduce the current objective # exactly - liblinear multiclass IS one-vs-rest - and would keep the problem below. # # The second is that `liblinear` does not finish. It is single-threaded coordinate descent # and scales about N^1.4 here. Measured on nasdaq100_microstructure's `fwd_dir_15m` panel: # # rows liblinear 1000/1e-4 saga 200/1e-2 # 400,000 144.4s converged 11.0s converged # 1,200,000 716.9s converged 44.8s converged # # which extrapolates to roughly eight hours per configuration at the full 16.9M rows against # about twenty minutes. That is not a projection: `06_linear` ran 7h23m at 100% of one core # on 2026-09-05 and was killed with two of thirteen configurations still unfinished, both of # them these L1 ones. # # saga is also better out of sample at every C measured here: log loss 1.0273-1.0276 against # liblinear's 1.0293-1.0294, and accuracy 0.415-0.420 against 0.404-0.410. # # `tol: 0.001` here rather than the 0.01 the weakly-penalised configurations use, because # this is where the penalty binds and exact sparsity is the point of the sweep. At 1e-2 saga # leaves coefficients stranded NEAR zero instead of AT zero, which `coef_ != 0` then counts # as live. Measured on the same panel, exact zeros against coefficients below 1e-8, out of # 198: # # C liblinear 1e-4 saga 1e-2 saga 1e-3 # 0.001 128 / 128 148 / 149 157 / 157 # 0.01 40 / 40 24 / 52 87 / 87 # 0.1 8 / 8 3 / 4 24 / 26 # # The 24-against-52 at C=0.01 is the defect: twenty-eight coefficients below 1e-8 that are # not zero. At 1e-3 the two counts agree and saga is *more* sparse than liblinear at every C # here, so the tighter tolerance is not a concession - it is what makes the L1 solution an # L1 solution. # # Cost at 1.2M rows: 226s, 352s and 287s for C=0.001, 0.01 and 0.1 against liblinear's 30s, # 202s and 499s. **The full-panel cost of this arm is not established** - the 16.9M-row # extrapolation is uncertain because it rests on a single scaling estimate taken from the # tol=1e-2 timings. Watch it on the first run rather than assuming it is small. model_class: LogisticRegression params: C: 0.1 max_iter: 200 penalty: l1 solver: saga tol: 0.001 ```
Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: MIT
Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.