Cómo elegir SAGA y la tolerancia en la regresión logística dispersa multiclase

Código Machine Learning for Trading

Resumen

Esta nota de configuración explica por qué una regresión logística de tres clases penalizada con L1 usa SAGA en lugar del solucionador liblinear de scikit-learn. Cita la compatibilidad multiclase en las versiones más recientes de scikit-learn y señala que SAGA terminó mucho más rápido en experimentos de microestructura medidos del Nasdaq-100. La pérdida logarítmica fuera de muestra y la precisión reportadas también favorecieron a SAGA en las configuraciones probadas.

La nota se centra en fijar la tolerancia en 0.001 para que el carácter disperso de L1 se refleje en coeficientes exactamente iguales a cero. Con una tolerancia más laxa, algunos coeficientes quedaron simplemente cerca de cero, distorsionando el recuento de características seleccionadas. En las comparaciones reportadas, la configuración más estricta produjo recuentos de coeficientes nulos al menos tan altos como los de liblinear. Son resultados de implementación y pruebas de referencia para un panel concreto, no garantías generales: se desconoce expresamente el tiempo de ejecución con todos los datos y su proyección depende de una estimación de escalado incierta.

Ideas clave

SAGA permite configurar la regresión logística de tres clases cuando el ajuste multiclase con liblinear puede fallar en versiones recientes de la biblioteca.
Los experimentos medidos en un panel de microestructura del Nasdaq-100 encontraron que SAGA era más rápido y algo mejor en las métricas fuera de muestra reportadas.
Una tolerancia de convergencia más estricta ayuda a distinguir los coeficientes realmente nulos de L1 de los valores pequeños distintos de cero.
Los tiempos reportados no permiten determinar el tiempo de ejecución con el conjunto de datos completo.

Etiquetas

Aprendizaje automático Estadística

Texto completo

# 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

```

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: MIT

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.