Cómo elegir la tolerancia SAGA para una regresión logística dispersa multiclase

Código Machine Learning for Trading

Resumen

Esta nota de configuración explica por qué una regresión logística de tres clases con penalización L1 usa SAGA con una tolerancia ajustada explícitamente. Compara SAGA con liblinear en un panel de predicción de microestructura del Nasdaq 100; en las ejecuciones medidas, informa de ajustes más rápidos y mejor pérdida logarítmica y precisión fuera de muestra con SAGA. También explica por qué liblinear no es adecuado dadas las restricciones de versión de scikit-learn del proyecto.

El punto metodológico central es que una tolerancia de convergencia poco estricta puede dejar coeficientes numéricamente cerca de cero, pero no exactamente en cero, lo que distorsiona los recuentos de dispersión de características. Con la intensidad de penalización seleccionada, ajustar más la tolerancia hace que el recuento de ceros exactos de SAGA coincida con el recuento de coeficientes por debajo de un pequeño umbral de magnitud. La nota informa de mediciones de tiempo y dispersión para varios valores de penalización, pero advierte que el tiempo de ejecución del panel completo es incierto porque la estimación se basa en pruebas limitadas de escalabilidad.

Ideas clave

SAGA admite la configuración de tres clases dentro de las restricciones de compatibilidad de scikit-learn indicadas.
En el panel citado, las ejecuciones medidas de SAGA fueron más rápidas y obtuvieron mejores puntuaciones fuera de muestra que liblinear.
Una tolerancia más estricta mejora la fiabilidad del recuento de ceros exactos en un análisis de dispersión con L1.
El tiempo de ejecución de esta configuración en el panel completo sigue siendo incierto y debe medirse directamente.

Etiquetas

Aprendizaje automático Estadística Renta variable Mercados de EE. UU.

Texto completo

# logistic_l1_C0.01.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: 0.01
  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.