スピーカー | 成績証明書 |
| ファビオ・ドッタヴィアーノ | さて、皆さん、このビデオを見ていただきありがとうございます。 ご覧のとおり、私は機械学習におけるランダム効果の欠落について話します。 |
| これは、同僚のジョー ヤングと一緒にアイデアを考えたものです。私たちは二人ともダウ ケミカル カンパニーで韓国の D 社に勤務しており、新しいプロセス、主に新製品の有効な開発を支援しています。 |
| この画面に表示されているのは大きなビンゴ ケージです。なぜなら、ここでの話はシミュレーションに関するものであり、シミュレーションは少なくとも私にとっては多くのことを意味するからです。 |
| ビンゴの場合は、大きなイベント内でボールと数字の配分を決めたので、あとは好きなようにボールを選び続けるだけです。 わかった。 |
| この話は出版物にも関係しています、と先ほど言いました。 |
| 最近、同じ名前で、このプレゼンテーションにアクセスできるはずのものを獲得できます。ここをクリックするだけで、論文全体にアクセスできます。 そこで、ここで私たちが公開したものの概要を紹介します。 |
| さて、これはどういう背景があるのでしょうか。 まず第一に、機械学習には、知識セッションに対する一種のプラグ アンド プレイの魅力があります。 |
| 魅力的なものを何も想定する必要がないことはわかっています。 それに、最近では非常にユーザーフレンドリーなソフトウェアが出回っています。 最近、人々はそうするのが好きです。 |
| ただし、ご存知のとおり、ランダム効果はどこにでもあり、これらの効果を実行するのは少し複雑な概念であるため、面白いものです。 だからそうならない傾向にある |
| 統計基礎講座に触れると、より高度な内容が表示されます。 したがって、多くの人が変量効果についてあまり理解せずに機械学習を行うことになるでしょう。 |
| そして、たとえ彼らがその理解を持っていたとしても、ランダムな事実の概念は |
| それでも、機械学習を行う人々と大騒ぎすることはありません。ランダムな効果を使用できる、機械学習を実行できるアルゴリズムがほんのわずかしかないからです。 |
| ここでこれらのリファレンスを確認すると、いくつかの木とランダムフォレストがあり、それが可能であることがわかりますが、最近のものは普及していません。 |
| どこにでも。 したがって、機械学習におけるランダム効果を処理できるものを見つけるには、しばらく苦労することになるでしょう。 |
| ランダム効果について少しお話しましょう。 ここにあるように、少なくとも私の出身地である化学業界では。 通常、私たちは混ぜます。 私は3つの要素と言っています。 右。 この黄色、赤、緑です。 |
| 私たちは、これらのコンポーネントのそれぞれの割合を異なるレベルに設定しています。 そして、変更したときの応答、特定の機器を使用したこれらのコンポーネントの割合を測定しました。場合によっては、測定を行うオペレーターや研究室の技術者もいる場合があります。 |
| 見たい結果にも干渉します。 わかった。 そして、この種の実験を行うとき、その結果が正しいのか、それとも予測が正しいのかを一般化したいと考えます。 私たちはここに到達しようとしています。 |
| しかし問題は、私がここでこれらの緑色の成分をいつ混合しているかがわかるということです。 今年グリーンコンポーネントを供給してくれるサプライヤーから次回購入する場合 |
| そして、緑の色合いは、ご存知のとおり、非常に、次にこの緑のコンポーネントを購入するときは何になるかわかりませんが、バッチです。 サプライヤーが私に提供するものは、供給にばらつきがあるため、まったく同じ緑色になりますか? |
| さらに、あなたが特定の機器を使用している私の経験を私が伝えるかもしれないことを知っています。 しかし、自分の研究室を見回ったり、他の研究室を見回したりすると、これらの機器のメーカーが異なる可能性があります。 |
| そしてその上に。 また、測定が適切に行うオペレーターに依存する食べ物もあるかもしれないので、干渉して私の生活を貧しくする可能性もあります。 |
| ここでの私の一般化に関する予測 |
| ここで私が予測したいことは何でもしてください |
| これは化学業界で最も典型的なものだと私は推測します。これは、実験、実験、バッチの変動です。 |
| 同じことを何度も繰り返すと時間が経ってしまいます。 |
| ここで実験があるとします。モデルが何かを予測できるモデルを取得しましたが、その実験を繰り返して、これら 3 つのモデルの予測を別のモールデンに取得し、別のモデルを取得したとします。 |
| 今はかなり変わっているかもしれません。 ニックは判読可能。 したがって、時間の要素もあります。 |
| それで、私がここで話している問題は何ですか。 通常、私たちはデータと履歴データ、つまり過去に実行したデータの断片のコレクションを保存しています。 |
| そして人々はその結果を一般化することにあまり関心を持ちませんでした。 彼らがその実験を行ったときの結果。 したがって、それらを収集して履歴データと呼ぶ場合、ランダム効果のタグがある場合とない場合があります。 |
| それから、少なくとも私の出身地からのテキストがある場合。 これはむしろ、私にとって税金がかからないというルールの例外です。少なくとも、すべてではありません。 |
| タグがあるとしましょう。 できることの 1 つは、これらのランダム効果を処理できる機械学習テクニックを使用して、それらをモデルに導くことです。 以上です。 問題ありません。 |
| しかし、先ほども言ったように、ランダム効果を妨げる可能性のある機械学習技術はあまり機能していません。 機械学習を使用したくなるかもしれません。 |
| そして、ランダム効果をあたかも修正されたかのようにモデルに導入すると、この修正されたランダム効果を扱う必要があるというよく知られた問題に遭遇することになります。 |
| 一つだけ言っておきますが、今後起こる新たなすべてを予測するのは難しいでしょう。なぜなら、たとえば、ランダムな効果が後でヨーロッパにある場合、得られるものはほんのわずかだからです。 |
| データ内の演算子は、そうです、いくつかの名前がありますが、何日も実行する新しい演算子がいる場合は、そうではありません。 この新しい演算子の効果がどうなるかは予測できません。 したがって、ここでは契約はありません |
| そして、あなたにできることが1つあります。 あなたがやる。 機械学習技術を再び犠牲にして税収を得る必要があるか、持たない方がよいでしょう。 |
| そして、ランダムがある場合は、ランダム効果を無視するタグを付ける必要があります。そうでない場合は、タグを付ける必要があります。 とにかく無視することになります。 あなたがそれを好きかどうか。 したがって、私がやりたいのは、シューティングゲームのシミュレーションではありません。 縄跳び釣りを利用しています。 |
| 結果を楽しんでいただければ幸いです。 |
| 基本的にはシミュレーションです。 そこで、固定効果とランダム効果を備えた混合効果モデルを使用します。 そして、同じモデルを使用して推定します |
| これに対する応答として、シミュレーション後にモデルを作成し、ニューラル ネットワークを使用してシミュレーションの結果をモデル化します。 |
| 次に、このモデルをこのモデルの予測パフォーマンスとして使用します。 |
| ベンチマークとして、私たちはそれを使用して、エッジに近いパフォーマンスを予測します。後で、テスト セットを四角形にして比較して、何が起こるかを確認します。 ここでランダム効果が満たされていることが分かりますね。 |
| それでは、わかりました。 これらの人々について話すとき、私は時々、線形混合効果モデルと機械学習ニューラル ネットワークを比較しているのではないかと思うことがあります。 そして、そうではありません。ここでは変量効果のあるモデルとないモデルを比較しています。 |
| データにはランダムな効果があるとしても。 私はそれをできた。 たとえば、 |
| 実行効果のある線形モデルと効果をもたらさない線形モデル。 |
| そして、ランダム効果のない尿中と比較して、ランダム効果のあるニューラルネットを作成することができました。 しかし問題は、今日では不思議なことはなく、たとえば、ランダムな効果を処理できることです。 ということで、強制的に使用させていただきました。 たとえば、すべての線形混合効果 |
| 私のシミュレーション要素。 そうですね、業界で一般的に使用されているもの、つまりプロセス変数モデルと混合したものを使用します。 |
| これら 3 つのコンポーネントがあるとします。 前にもお見せしましたね。 黄色、赤、緑を知っていれば、それらには一定のパーセントがあり、最大 1 になります。 |
| たとえば温度などの連続変数を持ちます。 資本主義タイプのカテゴリ変数があり、実験のバッチごとに非常に醜い可能性があるランダム効果があります。 わかった。 |
| シミュレーションモデル。 そうですね、これは非常に単純なもので、ここに私の混合主効果 M 1 M 2 と 3 があります。 右。 そして、このモデル全体で、固定効果がすべて 1 かマイナス 1 のいずれかを持っていることがわかります。 1 から 1 を引いたものをランダムに割り当てただけです。 |
| したがって、混合主効果があります。 ここでは混合物の二方向相互作用があり、混合物の相互作用は連続変数になります。 |
| そして、カテゴリ変数とコンポーネントの相互作用。 そして最後に、カテゴリ変数を伴う連続変数の導入です。 |
| さらに、ここでランダム効果とランダムエラーである Ej を選択する理由もわかります。 右。 そして、ここでは両方とも一定の分散を持って正規分布しています。 先ほど言いました、より優れた実験間の差異は、実験のバッチの一致内での発散を使用します。 |
| このプレゼンテーション全体から見て、この式全体をフォーミングを表すようにするために、私はもっときちんとした方法を言うか、このフォームを使用してヒーロー X を実際にすべての修正効果とベータを表します |
| 使用したすべてのパラメータを表します。 右。 そして、私の理由をここに挙げます。 実は、予想通り。 なぜXPが実際に正しいのかというと、ここでの私のランダム効果がなければ、これがすべてであり、私たちは私のルノー市長に対処しました。 |
| シミュレーションパラメータ。 そうですね、ここにあるのはデータ サイズです、そうです、彼女のものです。 データがまったくない、またはそれほど多くない場合はどうなりますか? |
| ここではさらに多くのデータ層とより多くのデータを用意しています。ここには 2 つのレベルがあり、ここでの実験の各セットで 110,000 のロールは、実際には 200 行よりも 20 行の完璧な効果を持っています。 私が変更するもう 1 つのことは、クラスターのバッジを D が決定することです。お好みで構いません。 |
| 時々そうなります。 それは、4% と 25% の 2 つのレベルがあるので、4% ということは、これらの 1 つのバッチの経験値が 100 ロールあれば、次のことになります。 |
| 実際は役作り用になります。 したがって、バッチは 2525 になります。 合計 100 ロールがある場合、バッチ サイズは 25% になり、バッチは 4 つしかありません。 |
| 次に、ここで変更するもう 1 つの変数は合計分散になります。 右。 |
| ここでは 2 つのレベルがあり、ポイント、5、2.5 は選択するのに適したエフェクト効果サイズの半分です。 それで、ここに式があります。 全て固定効果のものです。 |
| そしてもう 1 つは、この合計分散が、バッチ間およびバッチ内の私の変動の合計であると書くことです。 右。 最後に、もう 1 つ変更するのは、非常に高い範囲内での 2 つの比率です。 |
| 同様のセグメント。 右。 だから私は1と4を持っています。 それで、一つには私の |
| バッチの変動は勝利に等しく、もう一方の変動は勝利の 4 倍になります。 |
| それで、私が落ち着いたら、 |
| ここに4つの要素があります。 私がパラメーターと言ったら、完全な階乗を実行します。16 回の実行を正しく実行しますか? |
| 2 レベルのデータ サイズ、2 レベルのバッチ サイズ、2 レベルの合計分散 アンジェロの家は砂漠でした。 |
| これにより、セグメント内のセグメント間でそれを計算することができます。 右。 これがシミュレーションのセットアップです。 わかった。 ここでは、これをシミュレーション ハイパー パラメーターと呼びます。これは、私たちが行うように変更できるためです。 |
| 私ならどうするか、デモでお見せします。 シミュレーションのリスクを冒すか、それとも実行するかです。 つまり、私が行った 16 回のうち、それぞれ 30 回実行したことになります。 右。 したがって、たとえば、 |
| ダーティと固定効果までのシミュレーションを 123 実行してみます。 ザ、難易度の影響。 空間を感じるデザインを採用しています。 |
| このスペース埋め込みデザインを使用する理由は、そこが欠落していることによる影響と、おそらく慈善活動やまばらなデータを呼び出す人がいるという事実とを混同したくないからです。 |
| これは過去のデータでは典型的なことです。 右。 途中でそんなことはしたくない。 わたしたちがしたい、空間を感じるデザインを好み、広げていきます。 |
| 入力空間全体にわたる固定効果のレベル。 したがって、データにまばらにヒットするというこの問題を取り除くか、奇妙さを正しく除去し、バッチに割り当てると、最初のラウンドで実行全体にわたってバッチをランダム化して、同じものを使用します。 |
| 他の 29 回の実行すべてにわたってシーケンスを実行します。 つまり、すべての実行で、同じバッチの位置情報が得られます。 |
| 遅くに。 そして最後に、シミュレーションを実行するたびに、すべてのサンタの位置がランダム化されます。 それでは、空中から上がってジャンプを始めましょう。 |
| それで彼はそうするでしょう、私は特別な目的のこぼれのデザインをしていました。 ここで速くなりたいという理由だけで、ここに係数をロードします。 とにかく、ここに 12345 個の固定効果があります。 |
| 空間感覚のデザインでは、変数の混合は受け入れられません。 したがって、設定する必要があります |
| ここの線形制約は、ここにいる 3 人を見て、足すと 1 になる必要があることを伝えるためです。 それが私がここでやることです。 |
| 大丈夫。 |
| それで、その制約が満たされると、この d の最初の実行の例が表示されます。これは、データ サイズ 100、相対バッチ サイズ 4% です。 |
| 合計変動 合計分散ポイント 5 で、比率は 1 になります。 したがって、ここに戻って配置する必要がある場合は、100 回の実行を生成する必要があります。 また、この理論を再現したい場合、ランダム シードと開始回数を正しく設定する必要があるとします。 |
| そうすると、制約を言ったときの唯一の選択肢は、高速かつ柔軟な充填設計です。 では、ここに正しいテーブルを用意しましたので、このテーブルを含めることができます。 |
| わかることの 1 つは、ブロックされた 3 項を使用し、3 つのコンポーネントを使用している場合です。 すべてが広がっていることがわかります。 おっと。 |
| ここで問題があるのですが、彼女は |
| しませんでした |
| 戻りましょう。 はい、制約に問題があります。 ここのを忘れてしまいました。 はい。 |
| わかりました、最初からやり直しましょう。 百 |
| 設定 |
| ランダムシート 21234 |
| そして番号が始まります。 素晴らしい。 |
| 次の本気分でテーブルを作ります。 うん。 そして、それがすべて広がっているかどうかを確認するだけです。 |
| そして見つけてください。 はい。 さて、それではここでカテゴリ変数を見てみましょう。 それが全員に広がるかどうかを確認したいと思います。 ご覧のとおり、1 つと 2 つはこれです。 素晴らしい。 さて、私は 30 回のシミュレーションをすべて終了させましょうと言いました。 つまり、これは正しいシミュレーションです。 私には100の役割があります。 |
| しかし、今は30回やらなければなりません。 そこで、ここにロールを追加します。 |
| 2900 |
| 最後に |
| そして、この最初の 1000 回の実行を選択するだけです、申し訳ありませんが、すべての変数を年間 100 回実行します。 |
| そしてテーブルの端まで感じてください。 素晴らしい。 だから今度は同じデザインを30回繰り返します |
| 今、 |
| 速くするには、単に開くだけです。 このテーブルをまた使っています。 表示したいものがすべてすでにセットアップされている別のテーブルを使用するだけです。 |
| はい、私が持っているものをそのままこのテーブルに戻します。 次に行うことは、ここにシミュレーション列を作成して、見てわかるようにすることです。 |
| ここでこの式を使います。 100 行までのシミュレーションでは 100 行のシミュレーションが 1 つ行われ、その後 100 行ごとにシミュレーション番号が変更されることがわかります。 つまり、最終的には 100 ロールで 30 のシミュレーションが得られることになります。 それぞれの素晴らしい |
| 次に、バッチの場所、彼らが何をしたかを説明するために。 それをパワーポイントで示しました。 農場を持っています。 ここで、合計データ サイズの 4% のサイズのバッチを 2 つ作成します。つまり、ここではバッチごとに 4 行ではなく 4 行が含まれることになります。 そして一度、 |
| ここで 100 に達すると、シミュレーションからジャンプします。 シミュレーションしてから最初からやり直したい。 右。 それで、一日の終わりに。 |
| 25 バッチすべてがここにあります。 わかった。 |
| 次に、検証を作成します。 |
| 列。つまり、セットを正しく分割する必要があるため、 |
| このデモンストレーションに戻ります。 ここで PowerPoint に戻ると、これから作成するソリューションでは、私が持っていたニューロンが |
| 役割が分割され、そのうちの 60% がトレーニング セットに属し、20% が検証セットに属し、残りの 22 がテスト セットに属します。 それで、その場合はどうすればいいですか、もう一度ジョンに戻ります |
| それでは行きます。 これを隠させてください |
| さて、ここで検証が行われたことを検証します。 それ、どうやったら出来るの。 すでにそこにありますが、Analyze に移動する方法を説明しないでください。 |
| 検証カラムを作成し、シミュレーションカラムに認証があれば、それを実行するだけです。 |
| ポイント 6.5 2.2 と、ユーザーがここでランダム シードを使用しているのは、このようにして列を正しく作成していることがわかるようにするためです。 |
| それではここで私のプレゼンテーションに戻ります。 |
| 60% はすべて新年のトレーニング セットに属し、10 ～ 20% は |
| ニアネットの検証セットにも属します。 現在、これらは両方とも、ミックス エフェクトのモデリング セットと呼ばれるセットに属しています。 それでミックス効果。 |
| モデル、検証は行われません。 この 80% のモデルと、そのソリューションで新年に使用するのと同じ 20% となる混合効果ソリューションのテスト セットを推定しました。 その場合は、ジャンプに戻って、 |
| ここに行ってください |
| そして、ゼロがニューラル ネットの検証をゼロにすることはトレーニングを意味する、つまりトレーニングを続け、トレーニングを続けることを意味するという公式を聞くのは本当に素晴らしいです。 |
| 1 つは検証設定であり、これは私のモデリングになります。2 つは私のテスト セットであり、ここでもテスト セットになります。 だから私はこれらを作り、そしてあなたを作りました |
| すべてのラベルの列名 0 はモデリングになり、1 はデスクになるので、ここに隠したものはすべて彼がここで言っていることがわかりますが、検証に苦労しているものは正しくモデリングになり、最後に設定する必要があります私の応答の公式。 |
| それでは、シミュレーションの期待値について説明します。 ここでエフェクトの式を修正する必要があるだけです。ここにはランダムな用語はありません。 わかった。 それが私の妻と妻の ij の期待値です |
| これで、式を見ると、期待値である y に加えて、生成するための式がここにあります。 |
| ランダム |
| 平均がゼロでシグマ シグマ間の正規分布に従う値 |
| シグマの間。 ここで変数をテーブル変数として設定するのは、数式に行かなくても 1 週間後に値を変更できるためです。 ただし、とにかく、バッチ番号を変更するたびに単一の値が生成されます。 したがって、私のバッチが |
| ここでは、22 に変更しても同じ値になり、別の値が作成されます。 |
| そして、あるシミュレーションから別のシミュレーションに切り替えるときもあなたです。 したがって、シミュレーションのバッチ25ごとに25の値が1つあり、シミュレーションのバッチ1にジャンプすると、別の値が作成されます。 |
| 右。 そして、これは私がここのテーブルに設定したシグマを使った通常の乱数です。 それで、私たちが実行している取引をいくつか再現しているのを見てください、私はシグマ05と05を持っています |
| さて、それでは、その直前のミックス エフェクト モデル シミュレーションのソリューションがここにあります。ここに戻って、私が何をしているのかをお見せしましょう。 |
| たとえば、ミックスエフェクトモデルの場合です。 私のシミュレーションモードはこれですが、そのモデルが問題となるのは私の足であり、分析が重要になる可能性があります。 |
| そして、ここにいる私の小さな家はハッキングされるでしょう。 つまり、私がシミュレートしたものすべての値を満たすのが私たちのビーチです |
| そしてミックスエフェクトモデルです。 予測モデルを減らす必要があります。 1 つは、私が使用するときに条件付きモデルをフィッティングすることです |
| 変量効果の私の推定と、もう 1 つは、そうでない場合の私の限界です。 右。 ということで、この2種類のモデルを用意しました。 |
| これは、データにすでにあるものを予測するのに適しています。 これは、データが完全なデータセットを持っていないことを予測するために私が使用したものです。 |
| 新年に向けて、私は標準的なデフォルトの近くと最後にジャンプを使用していますが、彼はかなり機能するため、難しいからだけを使用しているわけではありません。 |
| ここには 5 つの固定効果がすべてあります。 ここでわかるように、すべての双曲線正接関数を含む 3 つのノードを持つ 1 つのレイヤーを使用します。 |
| そして、ここには、地区関数の合計である hx と呼ばれる関数と、バイアス項が追加されています。 |
| したがって、さらにノードを追加するとします。 それはそれ以上良くなりません。 2 つのノードしか使用していないことが判明すると、事態はさらに悪化します。 ということで、これを全部使ってみます。 それが私がここでお見せするものです。 |
| 私のショー。 おっと。 わかった。 |
| 見せる。 |
| 私はあなたのところに戻ります。 それで |
| ここに私のものがあります |
| 混合効果モデル ソリューション。 どうやってそれを思いついたのですか。 ただあなたに見せるためです。 ここに、シミュレーションによるミックス効果の検証検証を行った応答があります。 |
| 年間のすべての固定効果とランダム効果は私のバッチであり、次に遺伝的この最初のシミュレーションです。 シミュレーション 1 を見ると、シミュレーション トルコまでずっと進みます。 |
| たとえば、バッチごとに検証列を変更しているため、ここでジャンプのシミュレート機能を使用することはできません。そのため、少なくともその方法、検証列を組み込む方法がわかりません。の式 |
| 私は白Gです。 |
| と。 わかった。 おっと、ここに戻って、今ここに別のスクリプトがありますが、少し時間がかかります。 |
| 大きな問題にはならないはずです。 |
| 例えばやってるとき。 |
| 走るのはあなたが走るのです。 シミュレーションごとに 1000 行があり、おそらく 10 ～ 15 分間のコースを常時受講できます。 |
| ここで同時に聴覚シミュレーションを行うと、多少の誤差が生じるはずです。 |
| と |
| それでは行きます。 |
| さて、ここでもう一度説明しますが、見てみると、それぞれに 5 つの 3 つの音が正しく含まれており、シミュレーション 1 からシミュレーション 30 まであります。 |
| 右。 これで、今年の 1 回の実行に向けてすべての作業が完了しました。次に理解する必要があるのは、正方形の種類です。 実際にあるので比較してみます |
| ここには 5 種類の平方があります。これが r の 2 乗の公式です。 なぜ、ここで di 平方をタイプ別に区別するのかというと、それはこの式で実際の値と予測値を何を使用するかによって異なるからです。 |
| 平方変化がわかります。 たとえば、ここにあります。 ああ、これらは r の 2 乗または比較のタイプです |
| たとえば、トレーニングセットを回すローザです。 ここで私がシミュレーションしたものと、ニューラル ネットワークで得たフォームを比較してみます。 そしてご存知のように、それは実際に |
| たとえば、これら 3 つはすべて同じものです。なぜなら、私は妻を比較しており、妻の帽子も同じであるためです。 つまり、タイプ 8 は正しいです |
| 次に、比較する場所に別のタイプのコールイットタイプがあります。 違います。シミュレーション値と実際の値を比較していません。 |
| ランダム誤差項のランダム効果 シミュレーションの期待値とその結果を比較しています |
| したがって、これらは私をテストセットに送らせます。ルールは常に同じであり、r 2 の計算方法が変更されるだけです。なぜなら、ここではこのようにするからです。 |
| いわゆる条件付きテストセットを持っているとき。 親の将来のパフォーマンスがわかります。これは、データセットがある場合に得られるものとまったく同じです。実際のパフォーマンスを判断することはできないからです。 |
| シミュレーションする必要がある実際のモデルはありませんが、実際には同じバラである予想されるテスト セットが手に入ります。しかし、今私は比較しています。 |
| 期待値。 そして、これより適切な言葉が見つからないのですが、本当の将来のパフォーマンスについてはわかります。 したがって、見かけ上のパフォーマンスが将来の実際のパフォーマンスであるとは限りません。 OK。 |
| ミックスエフェクトモデルも同様です。 ここでは、シミュレートされた値と実際の値を比較しているため、別のタイプの r 2 乗が得られます。 |
| ここでの条件付き予測農地は、ランダムな影響を与える推定値を使用しますが、将来を予測したい場合に使用します。 ここで両方の条件を設定するテストを破る人はいません。ここに別の正方形 d があり、これは I のシミュレーション値全体を比較しています。 |
| なぜここで ij と私の限界モデルを比較するのか。 私は、正しくここにいて、レスリーを使用して、私が送信したと予想している正方形の 5 番目のタイプを持っているわけではありません。 |
| 繰り返しますが、テスト セットは常に同じ役割であり、ここで使用しているものだけです。 さて、期待値と私のマージンです。 多くの。 それで問題は |
| そこは気をつけないと。 間違った数値の r の 2 乗を計算してしまう可能性があります。 |
| だから、私がしていることは、ここにいるときはいつでもです。 そしてエフェクトモードをミックスする必要があるとしたら。 このレポートにあるものは何も使用しません。ここで列を保存するだけです。 |
| ここでは限界モデル右予測ファームに条件付きモデル右の予測式を保存しており、混合効果モデル用のこのフォームレスを使用して列を作成します。 さて、これからは |
| その近くで、または数式を保存することもできます。 私は単純に二乗して計算したいだけなので、「フェスト式」と言うのが好きです。 したがって、私は高速数式として保存され、ここでこの 5 つの列を作成したときに表示されるものとなります。 |
| わかりました、それでは彼らのところに行きましょう。 |
| さて、私の A 型ですが、ここでのプレゼンテーションで台北を覚えている方は、このモデルでシミュレートされた Why ij と私の Near を比較しています。 それで、私はここで何をしますか。 申し訳ありませんが、ここで私がやることは、 |
| 彼らに情報を伝えに行くと、ここがわかります。 何を予測し、dy AJ を予測する |
| さて、これです。 今、私はここにデ・ニーロを救い、彼が行う2倍の価値がこの価値に等しいことを示しています。 |
| しかし、今はここで何を予測するかを変更するだけです。 これは期待値を予測することです。 そうすれば、この式が機能するようになり、ここにジャンプしてモデルの比較を行うことができます。このタイプ A を使用することができ、シミュレーションを購入し、検証によって成長しました。 |
| そして得られるもの。 必要なのはドクタースクエアだけです |
| から見るには |
| シミュレーション１から |
| シミュレーション 30 までのすべてを設定すると、後でデータ テーブルを結合できるようになり、すべてが整ったものになります。これらは正方形であるためです。 したがって、他のものについては、たとえば次のようにするためのスクリプトをここに用意しました。 |
| 彼は平和の代表者だった。 さて、この列の右側ですが、私はモデリングや検証セットではなく、テスト セットの r 2 乗を設定すると予測しただけです。 ということでシミュレーション。 1つは1年です。 |
| そして、ここをずっと下に進むと、シミュレーション 30 があります。 繰り返しますが、いつでもデータ テーブルを組み合わせることができ、データはこれらすべてが正方形である同じテーブル形式のように出力されます。 |
| そしてダニエル、明らかにここにタイプ co fire squares 用の別のスクリプトを用意できます。混合効果モデルのモデリング セットを選択し、シミュレーション 1 から最新のセットに至るまでシミュレーション 30 まで実行します。同じことを実行できることがわかります。 |
| 今はテストセットを見てください。でも今、私はなぜ ij なのかを予測しています。 それで、その、たとえば、ここでの秘密は、湖の中でも時々あるということです。 ここでも同じ式が得られます。これは、私の限界モデルであるためです。 |
| ミックスエフェクトモデルソリューション。 唯一変わったのは、あなたのコラムに私が書いてあることだけです。 何を予測しているかを確認してから、これを使用してこれらすべてが平方であることを計算できます。 |
| わかった。 |
| プレゼンテーションに戻りましょう。正方形をすべてまとめたので、テーブルを積み重ねて、視覚化を行うことができます。 |
| しかし、ここで私が本当に興味があるのは、両方のソリューションの条件付きテスト セットと、ここでの予想される結果です。この表の表示について話すだけで 45 分は費やせるでしょう。 |
| しかし、私は r の 2 乗の絶対値にはあまり興味がありません。むしろ、r の 2 乗を比較する一種の方法です。 |
| しかし、ここでわかるように、データサイズがいつであるかを確認するだけで数日かかります。 |
| ここではポインタを使用します。 もっと簡単に。 私はすべての正方形を持っています。 あなたが行うすべての要素に対して、私はここで作成しました。 右。 |
| つまり、私が小さなデータセットを持っているときに何が起こるかというと、私は私の近くにいて、私のトレーニングにより正しくトレーニングされていることがわかります。 |
| そして、私の検証セットは、重複する二乗分布を持っています。 しかし、条件付きテスト セットを見ると、期待値が決して得られないため、実際には常に正しいデータが得られます。 |
| ご覧のとおり、この小さなデータ セットがあるときは常に下位レベルにありますが、より大きなデータ セットがあるときはこれが表示されます。 |
| 役割が 1,000 ある場合は状況が異なりますが、その場合はすべての役割が一致し、ある種の重複が生じます。 したがって、これらを正しくトレーニングしました。 繰り返しますが、ここでの正方形の絶対値にはあまり興味がありません。彼らが本当に気にしているのは、元に戻るとどうなるかということです。 |
| ここの以前のスライドの 1 つで、比較したいことがわかります。 ほら、そうしなければなりません。ベンチマークの混合効果モデルとニューラル ネットの予測パフォーマンスを比較して、その暗い四角形をテストしてもらいたいのです。 それで、ここであなたが得るものです。 |
| この型を手に入れましょう。 ここで得られるのは、やはりすべての動詞です。 私たちはそうしなければならなかった、そして彼らがそうするかどうか |
| 病気とあなたの正味の解決策、または効果のある解決策を混合しませんでした。 つまり、パフォーマンスの一部である条件付きテスト セットのことがわかります。 そのため、その期間中であれば、データ サイズがいつ小さいかを常に知ることができます。 |
| ミックスエフェクトのマルタ人は、 |
| ランダムな影響が正しいかどうか、それは常にこれがあるからです |
| それらの中央値や平均はすべて高くなっていますが、より大きなデータセットがある場合、 |
| ある時点までは違いが存在しなくなり、新しいものでさえここでより良い仕事をしているだけであることはわかりますが、それが現在のパフォーマンスです。 |
| さあ、本物です。 ミックス効果モデルには、証書とインターネットよりも優れた役割が与えられていることがわかります。 |
| そして、ここにはもう、根拠さえありません。結局のところ、直接効果モデルだからです。 特にビッグデータであるこのシナリオでは、彼はより良い仕事をしています。 |
| 最後のセットや変動性など、今すぐ招待されているデンとの間で、ここにある行を見つけてください。これを行う予定です。シミュレーションの実行ごとにこれを行います。ミックス効果の違いを行います。 |
| Rスクエア対新年、そしてそれはスクエアです。 それでは、行きましょう。 |
| ここには 4 つのプロットがあるので、Y 軸にあるエアコンの正方形の 1 つに注目してみましょう。 次に、コンディショナーの二乗の差を引いたものを混ぜます。申し訳ありませんが、 |
| ミックス効果の r の 2 乗を引くと、その 2 乗になります。 つまり、それがここで得られるものであり、それが将来のパフォーマンスのパターンの違いになります。 |
| ここの X 軸には、実際の将来のパフォーマンス、権利、またはバイアスを選択した、予想される R 二乗の差が示されます。 お望みならば |
| これでブロックが 4 つになりました。 なぜなら、技術を持たない過去のデータがあるときにそのことを考えてみると、次のことがわかるからです。 |
| データを分析している場合は、データ サイズと相対的なバッチ サイズという 2 つのことを制御できる可能性があります。 |
| データにどのような変動が生じるかを制御できないからです。 そして、ランダムな効果がランダムな空気よりもはるかに大きくなる場合。 したがって、あなたができることはたった2つだけです |
| データ サイズと相対的なバッチ サイズを制御できます。 タグがない場合でも、過去のデータを使用すれば少なくともアイデアは得られます。 |
| 非常に多くの寝室を 1 つまたは 2 つのバッチで構成する必要があります。 右。 それがあなたが持っているコントロールの種類です |
| 統計データが得られれば、少なくともバッチ サイズを把握できます。 |
| ここで比較しているのは、明らかなパフォーマンスの問題に違いがあるだけで、プラスの違いがあるだけです。これは、混合効果モデルのパフォーマンスが優れていることを意味します。 |
| この差があれば、ここでもプラスになります。 ミックス効果が将来のパフォーマンスを向上させるということですよね。 |
| ここでわかるように、データセットが小さい場合です。 何をするかは関係ありません。 |
| また、ミックス エフェクト モデルのパフォーマンスは優れており、場合によってははるかに優れたパフォーマンスを示します。これは、R の 2 乗の違いについて説明し、それが 1 をはるかに超える可能性があるためです。 |
| そうですね、彼はあなたが将来のパフォーマンスに期待できるようになり、より良いパフォーマンスを獲得しています。 したがって、データ サイズが小さい場合、実際には何もありません。 |
| いいえ、ここでは解決策はありません。 ただし、データ サイズを見ると、データ側が大きくなるのは当然ですが、バッチの量がこれほど少ない場合です。 右。 |
| ここで何か面白いことが起こります。なぜなら、将来のパフォーマンスに資金を供給するのに十分な違いがあることがわかるからです。ほとんどの場合、Y 軸はマイナスです。 |
| つまり、タハリール広場のテストセットで権利または条件付きで特許に関してより良い仕事をするのが近いことを意味します |
| あの暗い四角に触れてください。 それで、それをやるとき。 新しい尿のように見えるのは誰ですか。 それよりも素晴らしい仕事だろう |
| ミックスエフェクトモデル。 ただし、実際の将来のパフォーマンスの違いである x 軸のロットを見ると、かなり誤解を招く可能性があります。 |
| そうです、ここでは、大量のデータがあるが、少数のバッチに対しては、素晴らしいテストが得られます。テスト セットは正方形です。 しかし、将来的に金型を導入しようとしたとき。 |
| トラブルに巻き込まれる可能性があります。 しかし、ここを見ると。 ここでは、大量のデータと大量のバッチがある緩和状況があります。 したがって、それらはそれほど変わらない傾向があります。 そうですね、それで |
| 結論として、データ セットが小さい場合、つまりテスト セットの予測パフォーマンスが低下する可能性が高い場合は、無視できないランダム効果の機械学習を使用する必要があります。 |
| バッチのクラスターがいくつあるかは関係ありません。 それは、機械学習が成功するには最小限のデータ サイズが必要だからです。 右。 だから無いよ |
| ここでゲームに勝つ方法はありません。 ここで、データ サイズが大きく、クラスターが数個しかない場合です。 テスト セットではパフォーマンスが良好になる可能性があると予測されているため、これは一種の誤解を招く状況ですが、パフォーマンスは、モデルをデプロイするときにおそらく後で Brewer になる可能性があります。 |
| 「では、正則化を使用したらどうだろうか」「たとえ使用したとしても、このような状況では使用しないでしょう」と言う人もいます。 |
| テスト セットの R 2 乗は良いものになる可能性がありますが、その後、それが正しく必要かどうかが分からないため、それを判断することができなくなります。 |
| 暗い四角形または何らかのエラーのテストを見るだけで、長期的な将来のパフォーマンスがどのようになるかがわかります。 |
| しかし、データ セットが大きい場合、1 日に多くのクラスターが発生し、状況全体が緩和され、ランダムな効果がすべて合計されるため、より近い種類の平均値によるバイアス効果が軽減されます。 |
| ゼロですよ。 したがって、できるだけ多くの最新情報を入手できるようにする必要があります |
| 最後に、私がそこから学んだことを言いたかったのは、データが意図的に設計されていない場合、私がいつも覚えていることが 2 つあるということです。 |
| マシンランドは大きいからといってデータに取り組むことはできません。 それを機能させるには、最低限のレベルのデザイン権が必要です。 |
| しかし、データが大きくなればなるほど、最小限のレベルの設計がまったくの偶然でデータ内にすでに存在している可能性が高くなります。 わかった。 ご連絡いただきありがとうございます。 私たちはジャンプコミュニティに参加しています。 これらは私たちの住所です。 ありがとう。 |
