IT용어위키

LASSO(Least Absolute Shrinkage and Selection Operator, 라쏘 회귀)는 회귀 분석 기법의 하나로, 가중치의 절댓값 합(ℓ₁ 노름)에 패널티를 부과하여 과적합을 방지하고 변수 선택(feature selection) 효과를 동시에 얻는 정규화된 회귀 방식이다.

정의 및 수식

LASSO 회귀는 전통적 최소 제곱법(OLS, Ordinary Least Squares)의 손실 함수에 ℓ₁ 페널티 항을 추가한 형태로 정의된다. 목적 함수는 다음과 같다:

\[ \min_{\beta_0, \beta} \left\{ \frac{1}{n} \sum_{i=1}^n (y_i - \beta_0 - x_i^\top \beta)^2 + \lambda \sum_{j=1}^p |\beta_j| \right\} \]

여기서

\( y_i \)는 관측한 종속 변수 값
\( x_i \)는 설명 변수 벡터
\( \beta_0 \)는 절편
\( \beta = (\beta_1, \dots, \beta_p) \)는 회귀 계수 벡터
\( \lambda \ge 0 \)는 정규화 강도 조절 파라미터

이 페널티 항 덕분에 일부 계수 \( \beta_j \)는 정확히 0이 되어, 해당 변수를 회귀 모델에서 제거하는 효과가 나타난다.

L1 정규화와의 관계

LASSO 회귀는 L1 정규화(L1 regularization)를 선형 회귀에 적용한 대표적인 예이다. L1 정규화는 모델의 가중치 절댓값의 합에 패널티를 부여하여 과도한 가중치 성장을 억제하는 일반적인 정규화 기법이다. 이 방식은 희소성(sparsity)을 유도하는 특성이 있어, LASSO 회귀에서도 불필요한 변수의 계수가 0이 되는 결과를 가져온다.

따라서 다음과 같은 관계가 성립한다:

L1 정규화는 다양한 모델(선형 회귀, 로지스틱 회귀, 신경망 등)에 적용 가능한 기법이다.
LASSO는 그 중 선형 회귀에 L1 정규화를 적용한 특정한 알고리즘이다.
즉, LASSO ⊂ L1 정규화 라는 포함 관계로 이해할 수 있다.

특징 및 해석

희소성 유도: ℓ₁ 패널티 덕분에 불필요한 변수가 자동으로 제외되며, 해석 가능한 모델을 만든다.
변수 선택 기능: 가중치가 0이 되는 변수를 제거하므로, 모델 복잡도 제어와 변수 선택을 동시에 수행할 수 있다.
Bias‑variance trade‑off 제어: λ 값을 조정함으로써 과적합과 과소적합 간의 균형을 조절한다.
계산 방식: ℓ₁ 항은 미분 불가능 구간이 있어, 서브그래디언트(subgradient) 방법, 좌표 하강법(coordinate descent) 등 특수한 최적화 알고리즘이 주로 사용된다 ^[1]

장점과 한계

장점

변수 선택과 정규화를 동시에 할 수 있어 모델 해석성이 좋다
과적합을 방지하면서 일반화 성능을 향상시킬 수 있다
고차원 데이터(변수 수 \(p\)가 샘플 수 \(n\)보다 클 때)에서도 유용하게 사용됨

한계

λ 값 선택이 모델 성능에 매우 민감
강한 상관 관계를 갖는 변수들 사이에서는 임의성이 개입되어 어느 변수를 남길지 불확실함
ℓ₁ 페널티의 미분 불가능성으로 인해 최적화가 까다로울 수 있음
제한: LASSO는 선택할 수 있는 변수 수가 샘플 수 \(n\)보다 많으면 안 된다 — 즉, \(p > n\)일 때 최대 \(n\)개의 변수를 선택할 수 있다는 제약이 있다 ^[3]

응용 예시

고차원 유전체 데이터 분석에서 유의한 유전자만 선택하는 데 사용
경제/금융 모델에서 변수 선택과 예측 모델링에 활용
머신러닝 파이프라인에서 특성 선택(feature selection)에 자주 쓰임

같이 보기

참고 문헌

각주

[1] Lasso Regression: Estimation and Shrinkage via Limit of Gibbs Sampling, arXiv

[2] De-sparsified lasso

[3] Lasso (statistics)

[1]

[2]

[3]