Priorytetyzacja modeli

Odczarowanie nauki o decyzjach

Howard Friedman

Adjunct Professor at Columbia University

Zaczynamy prosto: regresja liniowa

  • Skuteczna dla zmiennych ciągłych, gdy spełnione są założenia
  • Ponad 200 lat udowodnionej przydatności w analizie rzeczywistych danych

Prostota ma moc

  • Regresja liniowa wyznacza linię najlepszego dopasowania
  • Dzięki transformacjom może modelować także złożone, nieliniowe zależności

Interpretowalność ma znaczenie

  • Współczynniki ułatwiają komunikację wyników
  • Szybka w obliczeniu – łatwa w wyjaśnieniu
     

linear.png

Odczarowanie nauki o decyzjach

Regresja logistyczna

Wiele rzeczywistych problemów wymaga predykcji binarnych lub kategorycznych:

  • Wykrywanie oszustw, prognozowanie rezygnacji klientów, modele ryzyka w ochronie zdrowia

coinflip.png

Regresja logistyczna jest bardzo wszechstronna

  • Sprawdza się przy wynikach binarnych, wielokategorycznych i porządkowych

Prawdopodobieństwa wspierają podejmowanie decyzji

Łatwa w interpretacji i wdrożeniu

  • Współczynniki pokazują, jak każda cecha wpływa na wynik
  • Doskonały punkt odniesienia dla bardziej złożonych klasyfikatorów
Odczarowanie nauki o decyzjach

Transformacje cech

Zacznij od solidnego modelu bazowego

  • Najpierw zbuduj działającą wersję, a następnie oceń wartość bardziej zaawansowanych modeli

Transformacje cech mogą poprawić wydajność

  • Transformacje takie jak logarytm czy pierwiastek mogą zwiększyć wyjaśnioną wariancję
  • Mogą też poprawić dopasowanie modelu do danych

Dopasuj założenia modelu do danych

  • Niektóre modele, jak regresja liniowa, działają najlepiej, gdy reszty mają rozkład normalny

  toolbox.png

Odczarowanie nauki o decyzjach

Typowe transformacje

 

  • Transformacje logarytmiczne i pierwiastkowe kompresują szerokie zakresy i redukują wpływ wartości odstających
  • Standaryzacja i normalizacja sprowadzają cechy do podobnych zakresów – szczególnie przydatne, gdy jednostki są różne
  • Człony wielomianowe (kwadratowe, sześcienne) pozwalają modelować złożone, nieliniowe zależności przy minimalnym wysiłku

 

Stosuj transformacje, aby ulepszyć wczesne modele przed przejściem do bardziej złożonych

 

transform.png

Odczarowanie nauki o decyzjach

Czas na ćwiczenia!

Odczarowanie nauki o decyzjach

Preparing Video For Download...