Arquivo de regressao-linear - Página 2 de 4

Modelos Lineares Generalizados: Regressão do menor ângulo

19/12/202517/10/2025 Por antonino

Regressão do Menor Ângulo (LARS): Uma Abordagem Geométrica

Introdução ao Método LARS

A Regressão do Menor Ângulo, conhecida como Least Angle Regression (LARS), constitui um algoritmo elegante para regressão linear com seleção de features. Primordialmente, diferencia-se de métodos tradicionais por sua abordagem geométrica incremental, adicionando variáveis ao modelo de forma sequencial.

Princípio Fundamental

O LARS opera através de um processo iterativo onde, a cada passo, o algoritmo seleciona a feature que forma o menor ângulo com o resíduo atual. Surpreendentemente, esta abordagem permite calcular soluções para todos os valores de regularização de forma computacionalmente eficiente.

Intuição Geométrica

Imagine cada feature como um vetor no espaço multidimensional. O LARS inicia com predições nulas e, a cada iteração, move-se na direção que forma o menor ângulo com o vetor residual atual, até que outra feature se torne igualmente correlacionada.

Algoritmo LARS Passo a Passo

Inicializar todos os coeficientes como zero
Encontrar a feature mais correlacionada com o resíduo
Mover o coeficiente na direção desta feature até que outra feature tenha correlação igual
Continuar na direção equiangular entre as features ativas
Repetir até que todas as features relevantes sejam incluídas

Vantagens do Método LARS

Eficiência computacional para problemas de alta dimensionalidade
Cálculo de todo o caminho de regularização em uma única execução
Seleção natural de features de forma sequencial
Estabilidade numérica superior em comparação com métodos diretos

Relação com Lasso

Inegavelmente, uma das características mais notáveis do LARS é sua conexão profunda com a regressão Lasso. Com uma modificação simples, o algoritmo LARS pode computar exatamente a solução do Lasso para todos os valores do parâmetro de regularização.

Modificação LARS-Lasso

Quando uma feature ativa torna-se não-ativa (coeficiente atinge zero), o algoritmo LARS-Lasso remove esta feature do conjunto ativo antes de continuar. Esta simples modificação produz soluções idênticas ao Lasso tradicional.

Implementação no scikit-learn

No scikit-learn, a classe Lars implementa o algoritmo básico, enquanto LassoLars combina LARS com a penalidade Lasso. Ademais, LarsCV fornece seleção automática do parâmetro via validação cruzada.

Parâmetros Principais

n_nonzero_coefs: Número máximo de coeficientes não nulos
alpha: Parâmetro de regularização (para LassoLars)
fit_intercept: Se deve calcular o intercepto
normalize: Normalização dos dados de entrada

Exemplo Prático Comparativo

O exemplo a seguir demonstra o uso do LARS e sua comparação com outros métodos de regressão:

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import Lars, LassoLars, Lasso, LinearRegression
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.preprocessing import StandardScaler

print("=" * 60)
print("COMPARAÇÃO: LARS VS OUTROS MÉTODOS DE REGRESSÃO")
print("=" * 60)

# Gerar dados com features correlacionadas
X, y = make_regression(n_samples=150, n_features=10, n_informative=5, 
                       noise=0.2, random_state=42, effective_rank=3)

# Adicionar correlação entre features
X[:, 3] = X[:, 0] * 0.7 + X[:, 3] * 0.3
X[:, 7] = X[:, 1] * 0.6 + X[:, 7] * 0.4

# Normalizar os dados
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
y_centered = y - np.mean(y)

# Dividir em treino e teste
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y_centered, 
                                                    test_size=0.3, random_state=42)

print(f"Dimensões: {X.shape[0]} amostras, {X.shape[1]} features")
print(f"Features informativas: 5")

# 1. Regressão Linear Ordinária
print("\n1. REGRESSÃO LINEAR ORDINÁRIA")
ols = LinearRegression()
ols.fit(X_train, y_train)
y_pred_ols = ols.predict(X_test)
print(f"Coeficientes não nulos: {np.sum(ols.coef_ != 0)}/10")
print(f"MSE: {mean_squared_error(y_test, y_pred_ols):.4f}")

# 2. LARS Básico
print("\n2. LARS (5 COEFICIENTES NÃO NULOS)")
lars = Lars(n_nonzero_coefs=5)
lars.fit(X_train, y_train)
y_pred_lars = lars.predict(X_test)
print(f"Coeficientes não nulos: {np.sum(lars.coef_ != 0)}/10")
print(f"MSE: {mean_squared_error(y_test, y_pred_lars):.4f}")

# 3. LassoLars
print("\n3. LASSO LARS (ALPHA=0.1)")
lasso_lars = LassoLars(alpha=0.1)
lasso_lars.fit(X_train, y_train)
y_pred_ll = lasso_lars.predict(X_test)
print(f"Coeficientes não nulos: {np.sum(lasso_lars.coef_ != 0)}/10")
print(f"MSE: {mean_squared_error(y_test, y_pred_ll):.4f}")

# 4. Lasso Tradicional
print("\n4. LASSO TRADICIONAL (ALPHA=0.1)")
lasso = Lasso(alpha=0.1, max_iter=10000)
lasso.fit(X_train, y_train)
y_pred_lasso = lasso.predict(X_test)
print(f"Coeficientes não nulos: {np.sum(lasso.coef_ != 0)}/10")
print(f"MSE: {mean_squared_error(y_test, y_pred_lasso):.4f}")

# Visualização comparativa
plt.figure(figsize=(15, 10))

# Gráfico 1: Comparação de coeficientes
plt.subplot(2, 2, 1)
modelos = [ols, lars, lasso_lars, lasso]
nomes = ['OLS', 'LARS', 'LassoLars', 'Lasso']
cores = ['blue', 'green', 'red', 'orange']

for i, (modelo, nome) in enumerate(zip(modelos, nomes)):
    plt.bar(np.arange(10) + i*0.2, modelo.coef_, width=0.18, 
            label=nome, alpha=0.7, color=cores[i])

plt.axhline(y=0, color='black', linestyle='-', alpha=0.3)
plt.xlabel('Features')
plt.ylabel('Valor do Coeficiente')
plt.title('Comparação dos Coeficientes')
plt.xticks(np.arange(10) + 0.3, [f'F{i+1}' for i in range(10)])
plt.legend()
plt.grid(True, alpha=0.3)

# Gráfico 2: Caminho LARS
plt.subplot(2, 2, 2)
# Calcular caminho LARS completo
lars_path = Lars()
lars_path.fit(X_train, y_train)

# Extrair coeficientes ao longo do caminho
coef_path = lars_path.coef_path_

for i in range(coef_path.shape[0]):
    plt.plot(np.sum(np.abs(coef_path[:i+1]), axis=0), coef_path[i], 
             label=f'F{i+1}', linewidth=2)

plt.xlabel('Norma L1 dos Coeficientes')
plt.ylabel('Valor do Coeficiente')
plt.title('Caminho LARS - Evolução dos Coeficientes')
plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
plt.grid(True, alpha=0.3)

# Gráfico 3: Features selecionadas
plt.subplot(2, 2, 3)
features_selecionadas = [np.sum(m.coef_ != 0) for m in modelos]
plt.bar(nomes, features_selecionadas, color=cores, alpha=0.7)
plt.ylabel('Número de Features Selecionadas')
plt.title('Comparação de Esparsidade')
for i, v in enumerate(features_selecionadas):
    plt.text(i, v + 0.1, str(v), ha='center', va='bottom')
plt.grid(True, alpha=0.3)

# Gráfico 4: Performance
plt.subplot(2, 2, 4)
mse_valores = [mean_squared_error(y_test, m.predict(X_test)) for m in modelos]
plt.bar(nomes, mse_valores, color=cores, alpha=0.7)
plt.ylabel('Mean Squared Error')
plt.title('Comparação de Performance')
for i, v in enumerate(mse_valores):
    plt.text(i, v + 0.01, f'{v:.3f}', ha='center', va='bottom')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# Análise detalhada da seleção de features
print("\n5. ANÁLISE DETALHADA DA SELEÇÃO")
print("Feature |     OLS     |    LARS     | LassoLars  |   Lasso    ")
print("-" * 60)
for i in range(10):
    coef_ols = ols.coef_[i]
    coef_lars = lars.coef_[i]
    coef_ll = lasso_lars.coef_[i]
    coef_lasso = lasso.coef_[i]
    
    print(f"F{i+1:2d}    | {coef_ols:10.4f} | {coef_lars:10.4f} | {coef_ll:10.4f} | {coef_lasso:10.4f}")

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

import numpy as np

import matplotlib.pyplot as plt

from sklearn.linear_model import Lars, LassoLars, Lasso, LinearRegression

from sklearn.datasets import make_regression

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_squared_error, r2_score

from sklearn.preprocessing import StandardScaler

print("=" * 60)

print("COMPARAÇÃO: LARS VS OUTROS MÉTODOS DE REGRESSÃO")

print("=" * 60)

# Gerar dados com features correlacionadas

X, y = make_regression(n_samples=150, n_features=10, n_informative=5,

noise=0.2, random_state=42, effective_rank=3)

# Adicionar correlação entre features

X[:, 3] = X[:, 0] * 0.7 + X[:, 3] * 0.3

X[:, 7] = X[:, 1] * 0.6 + X[:, 7] * 0.4

# Normalizar os dados

scaler = StandardScaler()

X_scaled = scaler.fit_transform(X)

y_centered = y - np.mean(y)

# Dividir em treino e teste

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y_centered,

test_size=0.3, random_state=42)

print(f"Dimensões: {X.shape[0]} amostras, {X.shape[1]} features")

print(f"Features informativas: 5")

# 1. Regressão Linear Ordinária

print("\n1. REGRESSÃO LINEAR ORDINÁRIA")

ols = LinearRegression()

ols.fit(X_train, y_train)

y_pred_ols = ols.predict(X_test)

print(f"Coeficientes não nulos: {np.sum(ols.coef_ != 0)}/10")

print(f"MSE: {mean_squared_error(y_test, y_pred_ols):.4f}")

# 2. LARS Básico

print("\n2. LARS (5 COEFICIENTES NÃO NULOS)")

lars = Lars(n_nonzero_coefs=5)

lars.fit(X_train, y_train)

y_pred_lars = lars.predict(X_test)

print(f"Coeficientes não nulos: {np.sum(lars.coef_ != 0)}/10")

print(f"MSE: {mean_squared_error(y_test, y_pred_lars):.4f}")

# 3. LassoLars

print("\n3. LASSO LARS (ALPHA=0.1)")

lasso_lars = LassoLars(alpha=0.1)

lasso_lars.fit(X_train, y_train)

y_pred_ll = lasso_lars.predict(X_test)

print(f"Coeficientes não nulos: {np.sum(lasso_lars.coef_ != 0)}/10")

print(f"MSE: {mean_squared_error(y_test, y_pred_ll):.4f}")

# 4. Lasso Tradicional

print("\n4. LASSO TRADICIONAL (ALPHA=0.1)")

lasso = Lasso(alpha=0.1, max_iter=10000)

lasso.fit(X_train, y_train)

y_pred_lasso = lasso.predict(X_test)

print(f"Coeficientes não nulos: {np.sum(lasso.coef_ != 0)}/10")

print(f"MSE: {mean_squared_error(y_test, y_pred_lasso):.4f}")

# Visualização comparativa

plt.figure(figsize=(15, 10))

# Gráfico 1: Comparação de coeficientes

plt.subplot(2, 2, 1)

modelos = [ols, lars, lasso_lars, lasso]

nomes = ['OLS', 'LARS', 'LassoLars', 'Lasso']

cores = ['blue', 'green', 'red', 'orange']

for i, (modelo, nome) in enumerate(zip(modelos, nomes)):

plt.bar(np.arange(10) + i*0.2, modelo.coef_, width=0.18,

label=nome, alpha=0.7, color=cores[i])

plt.axhline(y=0, color='black', linestyle='-', alpha=0.3)

plt.xlabel('Features')

plt.ylabel('Valor do Coeficiente')

plt.title('Comparação dos Coeficientes')

plt.xticks(np.arange(10) + 0.3, [f'F{i+1}' for i in range(10)])

plt.legend()

plt.grid(True, alpha=0.3)

# Gráfico 2: Caminho LARS

plt.subplot(2, 2, 2)

# Calcular caminho LARS completo

lars_path = Lars()

lars_path.fit(X_train, y_train)

# Extrair coeficientes ao longo do caminho

coef_path = lars_path.coef_path_

for i in range(coef_path.shape[0]):

plt.plot(np.sum(np.abs(coef_path[:i+1]), axis=0), coef_path[i],

label=f'F{i+1}', linewidth=2)

plt.xlabel('Norma L1 dos Coeficientes')

plt.ylabel('Valor do Coeficiente')

plt.title('Caminho LARS - Evolução dos Coeficientes')

plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')

plt.grid(True, alpha=0.3)

# Gráfico 3: Features selecionadas

plt.subplot(2, 2, 3)

features_selecionadas = [np.sum(m.coef_ != 0) for m in modelos]

plt.bar(nomes, features_selecionadas, color=cores, alpha=0.7)

plt.ylabel('Número de Features Selecionadas')

plt.title('Comparação de Esparsidade')

for i, v in enumerate(features_selecionadas):

plt.text(i, v + 0.1, str(v), ha='center', va='bottom')

plt.grid(True, alpha=0.3)

# Gráfico 4: Performance

plt.subplot(2, 2, 4)

mse_valores = [mean_squared_error(y_test, m.predict(X_test)) for m in modelos]

plt.bar(nomes, mse_valores, color=cores, alpha=0.7)

plt.ylabel('Mean Squared Error')

plt.title('Comparação de Performance')

for i, v in enumerate(mse_valores):

plt.text(i, v + 0.01, f'{v:.3f}', ha='center', va='bottom')

plt.grid(True, alpha=0.3)

plt.tight_layout()

plt.show()

# Análise detalhada da seleção de features

print("\n5. ANÁLISE DETALHADA DA SELEÇÃO")

print("Feature | OLS | LARS | LassoLars | Lasso ")

print("-" * 60)

for i in range(10):

coef_ols = ols.coef_[i]

coef_lars = lars.coef_[i]

coef_ll = lasso_lars.coef_[i]

coef_lasso = lasso.coef_[i]

print(f"F{i+1:2d} | {coef_ols:10.4f} | {coef_lars:10.4f} | {coef_ll:10.4f} | {coef_lasso:10.4f}")

Aplicações Práticas do LARS

O método LARS é particularmente útil em cenários específicos:

Análise exploratória de dados com muitas features
Seleção de variáveis em problemas de alta dimensionalidade
Computação eficiente do caminho de regularização completo
Problemas onde a ordem de importância das features é relevante

Considerações sobre Performance

Embora o LARS seja computacionalmente eficiente para problemas com muitas features, pode tornar-se lento quando o número de amostras é muito grande. Nesses casos, métodos baseados em descida de gradiente podem ser mais apropriados.

Considerações Finais

Inegavelmente, a Regressão do Menor Ângulo representa uma contribuição significativa para o arsenal de métodos de regressão. Sua abordagem geométrica proporciona intuição valiosa sobre o processo de seleção de features.

Decerto, a conexão entre LARS e Lasso torna o método particularmente atraente para aplicações práticas. Ademais, a capacidade de computar todo o caminho de regularização em uma única execução oferece vantagens computacionais importantes.

Analogamente a outros métodos de regularização, a interpretação dos resultados requer atenção à ordem de entrada das features no modelo. Portanto, a análise do caminho LARS pode revelar insights valiosos sobre a estrutura subjacente dos dados.

Regressão Lasso com Regularização L1 e Seleção de Features

19/12/202517/10/2025 Por antonino

Introdução ao Método Lasso

O Lasso, acrônimo para Least Absolute Shrinkage and Selection Operator, constitui uma técnica de regressão linear que combina regularização com seleção de features. Primordialmente, diferencia-se da regressão Ridge por empregar penalidade L1, o que promove esparsidade nos coeficientes estimados.

Formulação Matemática

A função objetivo do Lasso minimiza a soma dos quadrados dos resíduos com uma penalidade baseada na norma L1 dos coeficientes:

\(\min_{w} \frac{1}{2n_{\text{samples}}} ||X w – y||_2^2 + \alpha ||w||_1\)

Onde:

\(X\) representa a matriz de features
\(y\) denota o vetor target
\(w\) simboliza os coeficientes a serem estimados
\(\alpha\) corresponde ao parâmetro de regularização
\(||w||_1\) indica a norma L1 (soma dos valores absolutos)

Característica da Penalidade L1

Surpreendentemente, a penalidade L1 possui a propriedade de produzir coeficientes exatamente iguais a zero para valores suficientemente altos de \(\alpha\). Esta característica permite que o Lasso execute seleção automática de features, eliminando variáveis irrelevantes do modelo.

Vantagens da Abordagem Lasso

Seleção automática de features através de coeficientes nulos
Redução da complexidade do modelo
Melhor interpretabilidade devido à eliminação de variáveis
Eficácia em problemas de alta dimensionalidade

Implementação no scikit-learn

No scikit-learn, a classe Lasso implementa esta técnica. Ademais, estão disponíveis variações como LassoCV para seleção automática do parâmetro alpha via validação cruzada.

Parâmetros Principais

alpha: Parâmetro de regularização (controle da força da penalidade)
max_iter: Número máximo de iterações para convergência
tol: Tolerância para critério de parada
selection: Estratégia de seleção de variáveis

Exemplo Prático de Aplicação

O exemplo a seguir demonstra o uso do Lasso em um problema de regressão com features redundantes:

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import Lasso, LassoCV
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

print("=" * 60)
print("EXEMPLO PRÁTICO: REGRESSÃO LASSO")
print("=" * 60)

# Gerar dados com apenas 5 features informativas dentre 15
X, y = make_regression(n_samples=200, n_features=15, n_informative=5, 
                       noise=0.5, random_state=42)

# Dividir em conjuntos de treino e teste
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, 
                                                    random_state=42)

print(f"Dimensões do dataset: {X.shape}")
print(f"Features verdadeiramente informativas: 5")

# 1. Lasso com alpha fixo
print("\n1. LASSO COM ALPHA FIXO (0.1)")
lasso_fixo = Lasso(alpha=0.1, max_iter=10000, random_state=42)
lasso_fixo.fit(X_train, y_train)

y_pred_fixo = lasso_fixo.predict(X_test)
coef_nao_nulos = np.sum(lasso_fixo.coef_ != 0)

print(f"Coeficientes não nulos: {coef_nao_nulos}/15")
print(f"MSE: {mean_squared_error(y_test, y_pred_fixo):.4f}")
print(f"R²: {r2_score(y_test, y_pred_fixo):.4f}")

# 2. Lasso com validação cruzada para seleção de alpha
print("\n2. LASSO COM VALIDAÇÃO CRUZADA (LassoCV)")
lasso_cv = LassoCV(cv=5, max_iter=10000, random_state=42)
lasso_cv.fit(X_train, y_train)

y_pred_cv = lasso_cv.predict(X_test)
coef_nao_nulos_cv = np.sum(lasso_cv.coef_ != 0)

print(f"Melhor alpha: {lasso_cv.alpha_:.6f}")
print(f"Coeficientes não nulos: {coef_nao_nulos_cv}/15")
print(f"MSE: {mean_squared_error(y_test, y_pred_cv):.4f}")
print(f"R²: {r2_score(y_test, y_pred_cv):.4f}")

# Visualização dos coeficientes
plt.figure(figsize=(12, 6))

plt.subplot(1, 2, 1)
plt.bar(range(15), lasso_fixo.coef_, color='red', alpha=0.7)
plt.axhline(y=0, color='black', linestyle='-', alpha=0.3)
plt.xlabel('Features')
plt.ylabel('Valor do Coeficiente')
plt.title(f'Lasso Alpha Fixo - {coef_nao_nulos} features selecionadas')
plt.grid(True, alpha=0.3)

plt.subplot(1, 2, 2)
plt.bar(range(15), lasso_cv.coef_, color='blue', alpha=0.7)
plt.axhline(y=0, color='black', linestyle='-', alpha=0.3)
plt.xlabel('Features')
plt.ylabel('Valor do Coeficiente')
plt.title(f'Lasso CV - {coef_nao_nulos_cv} features selecionadas')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# Análise dos coeficientes zerados
print("\n3. ANÁLISE DE ESPARSIDADE")
coeficientes_zerados = lasso_cv.coef_ == 0
print(f"Features eliminadas (coeficiente zero): {np.sum(coeficientes_zerados)}")
print(f"Features mantidas no modelo: {np.sum(~coeficientes_zerados)}")

import numpy as np

import matplotlib.pyplot as plt

from sklearn.linear_model import Lasso, LassoCV

from sklearn.datasets import make_regression

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_squared_error, r2_score

print("=" * 60)

print("EXEMPLO PRÁTICO: REGRESSÃO LASSO")

print("=" * 60)

# Gerar dados com apenas 5 features informativas dentre 15

X, y = make_regression(n_samples=200, n_features=15, n_informative=5,

noise=0.5, random_state=42)

# Dividir em conjuntos de treino e teste

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,

random_state=42)

print(f"Dimensões do dataset: {X.shape}")

print(f"Features verdadeiramente informativas: 5")

# 1. Lasso com alpha fixo

print("\n1. LASSO COM ALPHA FIXO (0.1)")

lasso_fixo = Lasso(alpha=0.1, max_iter=10000, random_state=42)

lasso_fixo.fit(X_train, y_train)

y_pred_fixo = lasso_fixo.predict(X_test)

coef_nao_nulos = np.sum(lasso_fixo.coef_ != 0)

print(f"Coeficientes não nulos: {coef_nao_nulos}/15")

print(f"MSE: {mean_squared_error(y_test, y_pred_fixo):.4f}")

print(f"R²: {r2_score(y_test, y_pred_fixo):.4f}")

# 2. Lasso com validação cruzada para seleção de alpha

print("\n2. LASSO COM VALIDAÇÃO CRUZADA (LassoCV)")

lasso_cv = LassoCV(cv=5, max_iter=10000, random_state=42)

lasso_cv.fit(X_train, y_train)

y_pred_cv = lasso_cv.predict(X_test)

coef_nao_nulos_cv = np.sum(lasso_cv.coef_ != 0)

print(f"Melhor alpha: {lasso_cv.alpha_:.6f}")

print(f"Coeficientes não nulos: {coef_nao_nulos_cv}/15")

print(f"MSE: {mean_squared_error(y_test, y_pred_cv):.4f}")

print(f"R²: {r2_score(y_test, y_pred_cv):.4f}")

# Visualização dos coeficientes

plt.figure(figsize=(12, 6))

plt.subplot(1, 2, 1)

plt.bar(range(15), lasso_fixo.coef_, color='red', alpha=0.7)

plt.axhline(y=0, color='black', linestyle='-', alpha=0.3)

plt.xlabel('Features')

plt.ylabel('Valor do Coeficiente')

plt.title(f'Lasso Alpha Fixo - {coef_nao_nulos} features selecionadas')

plt.grid(True, alpha=0.3)

plt.subplot(1, 2, 2)

plt.bar(range(15), lasso_cv.coef_, color='blue', alpha=0.7)

plt.axhline(y=0, color='black', linestyle='-', alpha=0.3)

plt.xlabel('Features')

plt.ylabel('Valor do Coeficiente')

plt.title(f'Lasso CV - {coef_nao_nulos_cv} features selecionadas')

plt.grid(True, alpha=0.3)

plt.tight_layout()

plt.show()

# Análise dos coeficientes zerados

print("\n3. ANÁLISE DE ESPARSIDADE")

coeficientes_zerados = lasso_cv.coef_ == 0

print(f"Features eliminadas (coeficiente zero): {np.sum(coeficientes_zerados)}")

print(f"Features mantidas no modelo: {np.sum(~coeficientes_zerados)}")

Considerações sobre Convergência

Embora o Lasso seja uma ferramenta poderosa, ocasionalmente pode apresentar desafios de convergência. Principalmente em problemas com alta correlação entre features, o algoritmo pode necessitar de mais iterações para convergir. Portanto, é recomendável ajustar os parâmetros max_iter e tol conforme necessário.

Estratégias de Seleção

O scikit-learn oferece duas estratégias através do parâmetro selection:

cyclic: Atualização cíclica de coeficientes (padrão)
random: Atualização aleatória, podendo ser mais eficiente em alguns casos

Cenários de Aplicação Recomendados

Problemas com muitas features potencialmente irrelevantes
Seleção de variáveis para interpretabilidade do modelo
Datasets onde a esparsidade é uma propriedade desejável
Prevenção de overfitting em alta dimensionalidade

Considerações Finais

Inegavelmente, o Lasso representa uma evolução significativa na regressão linear, combinando estimação com seleção de features. Entretanto, a escolha do parâmetro alpha é crucial e tipicamente requer validação cruzada. Analogamente, em problemas onde se deseja manter features correlacionadas, a regressão Ridge ou Elastic Net podem ser mais apropriadas.

Decerto, o domínio desta técnica expande consideravelmente o arsenal do cientista de dados, permitindo a construção de modelos mais parcimoniosos e interpretáveis. Ademais, serve como fundamento para métodos mais avançados de aprendizado estatístico.