스피커 | 성적 증명서 |
| 파비오 도타비아노 | 여기 이 비디오를 시청해 주셔서 감사합니다. 보시다시피 기계 학습에서 누락된 무작위 효과에 대해 이야기하겠습니다. |
| 다우 케미칼 컴퍼니에서 일하고 있을 때 제 동료인 Joe Young과 함께 Korean D를 작업하고 유효한 새로운 프로세스와 주로 신제품을 개발하도록 도와주는 작업 아이디어입니다. |
| 여기 이 화면에서 보시는 것은 큰 빙고 우리입니다. 여기서 우리의 이야기는 시뮬레이션에 관한 것이 될 것이고 시뮬레이션은 적어도 저에게는 많은 관련이 있기 때문입니다. |
| 빙고의 경우 큰 행사에서 공과 숫자의 분배를 결정한 다음 원하는 대로 계속 선택하기 때문입니다. 괜찮은. |
| 이 이야기는 또한 출판과 관련이 있습니다. 우리는 방금 말했습니다. |
| 최근에는 이 프레젠테이션에 액세스할 수 있어야 하는 것을 얻을 수 있습니다. 여기를 클릭하면 전체 논문에 액세스할 수 있습니다. 여기에 우리가 거기에 게시한 내용에 대한 요약이 있습니다. |
| 좋아, 이것에 대한 맥락은 무엇입니까? 음, 우선 기계 학습에는 일종의 플러그 앤 플레이 기능이 있습니다. |
| 나는 당신이 매력적인 것을 가정할 필요가 없다는 것을 압니다. 게다가 요즘에는 매우 사용자 친화적인 소프트웨어가 있습니다. 그래서 요즘 사람들은 그렇게 하는 것을 좋아합니다. |
| 그러나 임의의 효과는 어디에나 있고 이러한 효과를 실행하는 것은 좀 더 복잡한 개념이기 때문에 재미있는 일입니다. 그래서 안되는 경향이 있습니다 |
| 기초통계 과목을 터치하면 보다 심화된 과목을 볼 수 있습니다. 따라서 많은 사람들이 무작위 효과에 대한 이해 없이 기계 학습을 수행하게 될 것입니다. |
| 그리고 그들이 그러한 이해를 가지고 있더라도 무작위 사실의 개념은 |
| 랜덤 효과를 사용할 수 있는 몇 가지 알고리즘이 있기 때문에 기계 학습을 수행하는 사람들과 여전히 큰 시합을 가져오지 않습니다. |
| 여기에서 이러한 참조를 확인할 수 있습니다. 여기에서 나무와 임의의 숲이 있고 걸릴 수 있지만 최근에는 그렇지 않습니다. |
| 어디에나. 따라서 기계 학습에서 무작위 효과를 처리할 수 있는 것을 찾는 데 어려움을 겪게 될 것입니다. |
| 무작위 효과에 대해 조금 이야기하십시오. 여기에서 볼 수 있듯이 적어도 제가 태어난 화학 산업에서는요. 우리는 일반적으로 섞입니다. 세 가지 구성 요소를 말합니다. 오른쪽. 이 노란색, 빨간색 및 녹색. |
| 우리는 이러한 구성 요소 각각의 비율을 다른 수준으로 만듭니다. 그런 다음 특정 장비를 사용하여 이러한 구성 요소의 비율을 변경할 때 응답을 측정했습니다. 때로는 운영자 또는 실험실 기술자도 있습니다. |
| 또한보고 싶은 결과에 간섭하십시오. 좋아요. 그런 다음 우리가 이런 종류의 실험을 할 때 일반화하고 싶은 것은 결과가 옳거나 어떤 예측이든 마찬가지입니다. 우리는 여기에 도달하려고 노력하고 있습니다. |
| 하지만 문제는 제가 이 녹색 성분을 여기에 섞을 때를 여러분이 알고 있다는 것입니다. 다음 번에 올해 친환경 부품을 공급하는 공급업체로부터 구매한다면 |
| 그리고 녹색으로 만든 그늘은 알다시피, 다음에이 녹색 구성 요소를 구입할 때 배치가 무엇인지 모르겠습니다. 공급에 가변성이 있기 때문에 공급자가 저에게 제공하는 것이 정확히 동일한 녹색이 될 것입니까? |
| 위에 당신은 내가 당신이 특정 장비를 사용하고 있다는 것을 내 경험으로 만들 수 있다는 것을 알고 있습니다. 그런데 제가 제 연구실에 가거나 다른 연구실을 둘러보면 이런 장비가 다른 제조사일 수도 있습니다. |
| 그리고 위에. 당신은 또한 알다시피 측정이 올바른 작업을 수행하는 작업자에 따라 달라지는 음식을 가지고 있을 수 있습니다. |
| 내 일반화에 대한 예측 |
| 내가 여기서 예측하고 싶은 대로 해 |
| 이것은 화학 산업에서 제가 추측하는 가장 일반적인 것으로 실험 실험 배치 변동성입니다. |
| 같은 일을 계속해서 반복하면 시간이 지남에 따라. |
| 여기에 실험이 있다고 가정해 보겠습니다. 모델이 무언가를 예측할 수 있지만 다른 Malden이 이 세 가지 모델의 예측을 다른 모델에 가져오기 위해 해당 실험을 반복합니다. |
| 지금은 상당히 다를 수 있습니다. 닉을 읽을 수 있습니다. 따라서 시간의 구성 요소도 있습니다. |
| 그래서 내가 여기서 말하는 문제는 무엇입니까? 글쎄요, 일반적으로 우리는 데이터를 저장했고 과거 데이터는 과거에 수행한 데이터의 일부와 조각 모음입니다. |
| 그리고 사람들은 그 결과를 일반화하는 데 그다지 관심을 기울이지 않았습니다. 그들이 그 실험을 했을 때의 결과. 그래서 우리가 그것들을 수집하고 그것을 과거 데이터라고 부를 때, 우리는 무작위 효과에 대한 태그를 가질 수도 있고 갖지 않을 수도 있습니다. |
| 그리고 적어도 내가 어디에서 왔는지에 대한 텍스트가 있다면. 이것은 나에게 세금이 부과되지 않는다는 규칙에 대한 예외에 가깝습니다. 적어도 모든 사실에 대해서는 그렇지 않습니다. |
| 태그가 있다고 가정해 보겠습니다. 당신이 할 수 있는 한 가지는 이러한 무작위 효과를 처리할 수 있는 기계 학습 기술을 사용하여 모델로 이끄는 것입니다. 그리고 그게 다야. 당신은 문제가 없습니다. |
| 그러나 내가 말했듯이 임의의 효과를 방해할 수 있는 기계 학습 기술은 그다지 무감각하지 않습니다. 기계 학습을 사용하고 싶은 유혹을 느낄 수 있습니다. |
| 그리고 랜덤 효과를 고정된 것처럼 모델에 입력하면 이 고정된 랜덤 효과를 처리해야 하는 매우 잘 알려진 문제에 부딪히게 됩니다. |
| 한 가지만 말하자면, 예를 들어 무작위 효과가 나중에 유럽인 경우 몇 가지만 있기 때문에 새로운 모든 것을 예측하기가 어려울 것입니다. |
| 데이터의 연산자, 맞습니다. 몇 가지 이름이 있지만 새 연산자가 며칠 동안 수행하는 경우에는 그렇지 않습니다. 이 새 연산자의 효과가 무엇인지 예측할 수 없습니다. 그래서 여기에는 거래가 없습니다 |
| 그리고 당신이 할 수 있는 한 가지가 있습니다. 당신은. 당신은 기계 학습 기술을 우리에게 다시 희생시키는 세수를 가져야 하거나 가지지 않아야 합니다. |
| 그리고 만약 랜덤이 있다면, 랜덤 효과를 무시하거나 그렇지 않다면 태그를 가지고 있어야 합니다. 어쨌든, 당신은 그것을 무시할 것입니다. 당신이 그것을 좋아하든 싫어하든. 그래서 제가 하고 싶은 것은 시뮬레이션 슈팅 게임을 덜 하는 것입니다. 우리는 줄넘기 낚시를 사용합니다. |
| 결과가 마음에 드셨기를 바랍니다. |
| 기본적으로 시뮬레이션. 그래서 저는 고정 효과와 무작위 효과가 있는 혼합 효과 모델을 사용할 것입니다. 그런 다음 동일한 모델을 사용하여 추정합니다. |
| 이것에 대한 응답으로 내가 시뮬레이션하고 모델링한 후 모델을 만들면 여기 신경망을 사용한 시뮬레이션 결과가 맞습니다. |
| 그런 다음 여기에서 이 모델을 여기에서 이 모델의 예측 성능으로 사용합니다. |
| 벤치마크로 우리는 이를 사용하여 가장자리에서 가까운 성능을 예측합니다. 나중에 테스트 세트를 사용하여 무슨 일이 일어날지 알아보기 위해 사각형을 비교합니다. 여기에서 임의의 효과를 충족한다는 것을 알 수 있습니다. |
| 그럼, 알았어. 때때로 저는 이 사람들에 대해 이야기할 때 선형 혼합 효과 모델과 기계 학습 신경망을 비교하고 있다고 생각합니다. 그리고 그것은 사실이 아닙니다. 아시다시피 여기서 우리는 무작위 효과가 있는 모델과 없는 모델을 비교하고 있습니다. |
| 심지어 데이터에 무작위 효과가 있습니다. 나는 할 수있을 것이다. 예를 들어 |
| 효과를 실행하는 선형 모델 대 효과를 가져오지 않는 선형 모델. |
| 그리고 무작위 효과가 없는 것과 소변에서 무작위 효과가 있는 신경망을 만들 수 있습니다. 그러나 문제는 오늘날 놀라운 일이 없으며 예를 들어 무작위 효과를 처리할 수 있다는 것입니다. 그래서 어쩔 수 없이 사용했습니다. 예를 들어, 모든 선형 혼합 효과 |
| 내 시뮬레이션 요인. 글쎄요, 저는 일반적으로 업계에서 사용되는 것을 사용하겠습니다. 그것은 프로세스 변수 모델과 혼합된 것입니다. |
| 이 세 가지 구성 요소가 있다고 가정해 보겠습니다. 전에 보여 드린 적이 있습니다. 노란색, 빨간색, 녹색을 알면 특정 비율이 있고 최대 1이 됩니다. |
| 예를 들어 온도가 될 수 있는 연속 변수가 있습니다. 나는 자본주의적 유형이 될 수 있는 범주형 변수를 가지고 있으며 실험 배치마다 매우 추악할 수 있는 무작위 효과가 있습니다. 좋아요. |
| 시뮬레이션 모델입니다. 음, 그것은 꽤 간단한 것입니다. 여기에 제 혼합 주효과 M 1 M 2와 3이 있습니다. 오른쪽. 그리고 이 모델 전체에서 고정 효과가 모두 1 또는 -1을 갖는 것을 볼 수 있습니다. 나는 그들에게 무작위로 1 빼기 1을 할당했습니다. |
| 그래서 저는 혼합 주효과를 가지고 있습니다. 여기에 혼합물의 두 가지 상호 작용이 있습니다. 혼합물의 상호 작용은 연속 변수입니다. |
| 그리고 범주형 변수와 구성 요소의 상호 작용입니다. 마지막으로 범주형 변수와 함께 연속 변수를 도입했습니다. |
| 게다가 나는 이것들을 가지고 있는데, 왜 여기서 우리는 내 무작위 효과와 내 무작위 오류인 Ej를 선택하는지. 오른쪽. 그리고 둘 다 여기에서 특정 분산으로 정규 분포됩니다. 나는 더 나은 실험 사이의 분산이 맞다고 말했고 실험 배치 일치 내에서 발산을 사용합니다. |
| 이 프리젠테이션 전체에서 이 전체 공식이 형성을 나타내도록 만들기 위해 내가 말하거나 이 양식을 사용하면 영웅 X가 실제로 모든 수정 효과 및 베타를 나타냅니다. |
| 내가 사용한 모든 매개변수를 나타냅니다. 오른쪽. 그리고 나의 이유는 여기에 있습니다. 사실, 예상. 실제로 XP가 옳은 이유는 여기 내 무작위 효과가 없고 우리는 내 Renault 시장을 처리했습니다. |
| 시뮬레이션 매개변수. 자, 여기에 데이터 크기가 있습니다. 맞습니다. 데이터가 없거나 많지 않은 경우 어떻게 됩니까? |
| 여기 더 많은 데이터 계층과 더 많은 데이터가 있습니다. 여기에는 모든 실험 세트에서 두 가지 수준의 110,000개의 역할이 있습니다. 실제로 200개보다 20개 행이 더 완벽합니다. 내가 변경할 다른 사항은 D가 클러스터에 대한 배지를 결정한다는 것입니다. |
| 가끔은 될 것입니다. 즉, 4%와 25%의 두 가지 레벨이 있으므로 4%는 이 한 묶음의 경험을 100번 굴린다는 것을 의미합니다. |
| 실제로 역할을 위한 것입니다. 그래서 저는 2525개의 배치를 가지게 됩니다. 배치 크기 25%에서 총 100개의 롤아웃이 있고 배치가 4개만 있는 경우. |
| 그런 다음 여기서 변경하는 다른 변수는 전체 분산이 될 것입니다. 오른쪽. |
| 음, 여기에 두 가지 수준이 있습니다. 포인트, 5, 2.5는 선택할 수 있는 효과 크기의 절반입니다. 그래서 여기에 공식이 있습니다. 고정 효과를 위한 것입니다. |
| 그리고 다른 하나는 이 총 분산을 합산하는 것입니다. 배치 간 그리고 배치 내에서 제 변동의 합은 매우 분산입니다. 오른쪽. 그리고 마지막으로 제가 바꿀 또 다른 사항은 매우 짧은 시간 내에 둘 사이의 비율입니다. |
| 유사한 세그먼트. 오른쪽. 그래서 저는 하나와 네 개를 가지고 있습니다. 그래서 한 번에 내 |
| 배치 간의 변동은 승리와 같을 것이고 다른 하나는 승리보다 4배 더 클 것입니다. |
| 그런 다음 일단 정착하면 |
| 여기에 네 가지 요소가 있습니다. 나는 매개변수라고 말한 다음 전체 계승을 수행합니다. 우리는 16개의 실행을 바로 |
| 데이터 크기의 2개 수준 배치 크기의 2개 수준 전체 분산의 2개 수준 Angelo는 사막이었습니다. |
| 이를 통해 그에 따라 세그먼트 내에서 계산할 수 있습니다. 오른쪽. 이것이 시뮬레이션을 위한 설정입니다. 좋아요. 지금은 시뮬레이션 하이퍼 매개변수라고 부릅니다. |
| 내가 할 일을 데모에서 보여 드리겠습니다. 30 시뮬레이션 위험이 있거나 실행해야 합니다. 그래서 제가 한 16번의 모든 운동은 각각 30번씩 뛰었습니다. 오른쪽. 예를 들어, |
| 더럽고 고정된 효과에 대해 시뮬레이션을 123 실행하겠습니다. , 난이도 효과의 수준. 공간감이 느껴지는 디자인을 사용합니다. |
| 그리고 제가 이 공간 채우기 디자인을 사용하는 이유는 누락된 효과를 혼란스럽게 하고 싶지 않기 때문입니다. |
| 과거 데이터에서 전형적인 것입니다. 오른쪽. 나는 그것을 중간에 원하지 않습니다. 나는 우리가 퍼뜨리는 디자인과 공간감이 있는 디자인을 선호한다. |
| 입력 공간 전체의 고정 효과 수준. 따라서 희박한 데이터 충돌 문제를 제거하거나 이상한 점을 바로 잡은 다음 배치에 할당하면 첫 번째 라운드에서 배치 교차 실행을 무작위화한 다음 동일한 것을 사용합니다. |
| 다른 모든 29개 런에 걸쳐 시퀀스합니다. 따라서 모든 실행에서 동일한 위치 배치를 갖게 됩니다. |
| 늦게. 마지막으로 모든 산타 위치는 모든 시뮬레이션 실행에 대해 무작위로 지정됩니다. 이제 공중에서 벗어나 점프를 시작하겠습니다. |
| 그래서 그는 할 것입니다, 나는 우리가 특수 목적의 유출 디자인을 하곤 했습니다. 나는 여기에서 빨리 가고 싶다는 이유로 여기에 내 요소를 로드할 것입니다. 어쨌든 여기에 12345개의 고정 효과가 있습니다. |
| 공간감 디자인은 변수의 혼합을 허용하지 않습니다. 그래서 당신은 설정해야합니다 |
| 여기에 있는 선형 제약 조건은 여기 있는 이 세 사람을 보고 1을 더해야 합니다. 이것이 제가 여기서 할 일입니다. |
| 괜찮은. |
| 따라서 제약 조건은 데이터 크기가 100이고 상대적인 배치 크기가 4%인 이 d의 첫 번째 실행의 예를 제공할 것입니다. |
| 총 변동 총 변동 포인트 5 그리고 비율은 1이 될 것입니다. 그래서 여기로 돌아가서 넣어야 한다면 100개의 실행을 생성해야 합니다. 또한 이 이론을 복제하고 싶고 무작위 시드와 시작 횟수를 올바르게 설정해야 하는 경우 |
| 그런 다음 제약 조건을 말할 때 내가 가진 유일한 옵션은 빠르고 유연한 충전 설계입니다. 이제 이 테이블을 포함할 수 있도록 여기에 테이블을 가져옵니다. |
| 삼항 차단을 사용하고 세 가지 구성 요소를 사용하는 경우 한 가지 볼 수 있습니다. 모든 것이 펼쳐져 있음을 알 수 있습니다. 이런. |
| 나는 그녀가 여기에 문제가 |
| 하지 않았다 |
| 돌아가겠습니다. 제약 조건에 문제가 있습니다. 나는 여기 하나를 잊었다. 네. |
| 좋아, 처음부터 다시 시작하자. 백 |
| 세트 |
| 임의 좌석 21234 |
| 그리고 숫자가 시작됩니다. 엄청난. |
| 다음 책 감성 메이크 테이블. 응. 그런 다음 모든 것이 퍼져 있는지 확인해야 합니다. |
| 그리고 알아보십시오. 예. 좋아요, 그럼 저는 여기 제 범주형 변수를 봅니다. 나는 그것이 그들 모두에게 퍼져 있는지 확인하고 싶습니다. 보시다시피 1과 2입니다. 엄청난. 이제 저는 30번의 시뮬레이션을 모두 마치도록 하겠습니다. 그래서 이것은 하나의 시뮬레이션 권리입니다. 나에게는 100가지 역할이 있습니다. |
| 하지만 지금은 30개를 해야 합니다. 그래서 제가 할 일은 여기에 역할을 추가하는 것입니다. |
| 2900 |
| 마지막에 |
| 그리고 우리는 처음 1000회를 선택합니다. 죄송합니다. 100회는 모든 변수를 1년 동안 실행합니다. |
| 그리고 테이블 끝까지 느껴보십시오. 엄청난. 그래서 지금은 같은 디자인을 30번 반복합니다. |
| 지금, |
| 더 빨리 만들려면 그냥 열면 됩니다. 그래도 이 테이블을 다시 사용하고 있습니다. 보여주고 싶은 모든 것이 이미 설정되어 있는 다른 테이블을 사용하세요. |
| 네, 제가 가지고 있는 바로 이 테이블로 돌아왔습니다. 다음으로 할 일은 여기에 시뮬레이션 열을 생성하여 모양을 알려주는 것입니다. |
| 여기에 이 공식이 있습니다. 나는 최대 100개의 시뮬레이션이 이 시뮬레이션을 100행으로 한 다음 100행마다 시뮬레이션 번호를 변경한다고 말할 수 있습니다. 그래서 결국에는 100개의 롤이 있는 30개의 시뮬레이션을 얻게 됩니다. 각각의 위대한 |
| 그런 다음 그들이 한 일을 설명하기 위해 배치 위치. 방금 PowerPoint에서 보여 드렸습니다. 나는 농장이 있습니다. 이제 총 데이터 크기의 4% 크기인 배치 2개를 만들 것입니다. 그리고 일단 |
| 여기에서 100에 도달하고 시뮬레이션에서 점프합니다. 시뮬레이션을 원하면 다시 시작합니다. 오른쪽. 그래서 나는 하루가 끝날 때 있습니다. |
| 25개의 모든 배치가 여기에 있습니다. 좋아요. |
| 그런 다음 다음으로 할 일은 유효성 검사를 만드는 것입니다. |
| 열, 즉 세트를 올바르게 분할해야 함을 의미합니다. |
| 이 데모로 돌아갑니다. 여기 파워포인트로 돌아가서 제가 만들려는 솔루션에 대해 보시겠지만 제가 가지고 있던 뉴런은 |
| 그 중 60%는 훈련 세트에, 20%는 검증 세트에, 나머지 22개는 테스트 세트에 역할을 나눕니다. 그렇다면 다시 john에게 돌아가려면 어떻게 해야 할까요? |
| 우리는 거기에 갈. 이거 숨겨줘 |
| 자, 여기 유효성 검사를 확인하는 것이 있습니다. 어떻게 하죠? 이미 있지만 분석으로 이동하는 방법을 설명하지 마십시오. |
| 시뮬레이션 열을 사용하는 유효성 검사 열에 인증이 있으면 이동한 다음 수행하면 됩니다. |
| 포인트 6.5 2.2 및 사용자가 임의의 시드를 여기에서 확인할 수 있도록 해당 열을 올바르게 생성하는 방법 |
| 그런 다음 여기 내 프레젠테이션으로 돌아갑니다. |
| 새해 훈련 세트에 속하는 모든 60%와 그 10~20%는 |
| 니어넷에 대한 검증 세트에도 속합니다. 이제 둘 다 혼합 효과에 대한 모델링 세트라는 세트에 속합니다. 그래서 혼합 효과. |
| 모델, 유효성 검사가 없습니다. 이 80%로 모델을 추정하고 해당 솔루션에서 새해에 사용하는 것과 동일한 20%가 될 혼합 효과 솔루션의 테스트 세트가 있습니다. 그런 경우에는 다시 점프로 돌아가서 |
| 여기로 가세요 |
| 그리고 0이 신경망의 검증을 0으로 의미한다는 공식을 듣는 것은 정말 좋습니다. 따라서 훈련하고 계속 훈련하십시오. |
| 하나는 유효성 검사 설정이 내 모델링이 될 것이고 두 개는 내 테스트 세트이고 여기에서도 내 테스트 세트가 될 것입니다. 그래서 내가 이것들을 만들고 당신을 |
| 모든 레이블의 열 이름 0은 모델링이 될 것이고 하나는 책상이 될 것입니다. 그래서 여기에 숨겨진 것이 무엇이든 여기에서 말할 수 있습니다. 내 대답의 공식. |
| 내 시뮬레이션의 기대 가치에 대해. 나는 여기에 효과 공식을 수정하기 위해 여기에 있습니다. 여기에는 임의의 용어가 없습니다. 괜찮은. 이것이 내 아내와 아내 ij의 기대 가치입니다. |
| 이것과 당신은 내 예상 값인 y가 있는 공식을 보고 여기에 생성을 위한 공식이 있습니다. |
| 무작위 |
| 평균이 0이고 시그마 시그마 사이의 정규 분포를 따르는 값 |
| 시그마 사이. 수식으로 이동하지 않고 나중에 일주일 후에 값을 변경할 수 있기 때문에 여기에 변수를 테이블 변수로 설정하는 것과 같습니다. 그러나 어쨌든 이것은 배치 번호를 변경할 때마다 단일 값을 생성할 것입니다. 내 배치가 |
| 여기서 22로 변경하면 동일한 값이 됩니다. 다른 값이 생성됩니다. |
| 그리고 한 시뮬레이션에서 다른 시뮬레이션으로 변경할 때 당신. 따라서 배치당 25개에 대한 하나의 값을 가질 것입니다. |
| 오른쪽. 그리고 여기에 내가 여기 테이블에 설정한 시그마가 있는 일반적인 임의의 숫자가 있습니다. 그래서 우리가 실행하는 거래를 복제하는 것을 보십시오. 나는 시그마 05와 05를 가지고 있습니다. |
| 자, 그럼 이제 바로 전에 혼합 효과 모델 시뮬레이션을 위한 솔루션이 여기 있습니다. 여기로 돌아가서 제가 무엇을 하고 있는지 보여드리겠습니다. |
| 예를 들어 혼합 효과 모델의 경우입니다. 내 시뮬레이션 모드는 이것이지만 모델이 문제가 될 내 발은 분석이 모자일 수 있습니다. |
| 그리고 여기 있는 나의 작은 존재가 해킹당할 것입니다, 그렇죠. 그래서 내가 시뮬레이션 한 값을 충족시키는 것이 우리 해변입니다. |
| 그런 다음 혼합 효과 모델에서. 예측 모델을 줄여야 합니다. 하나는 내가 사용할 때 피팅 조건부 모델입니다. |
| 무작위 효과에 대한 나의 추정과 다른 하나는 내가 하지 않을 때의 한계입니다. 오른쪽. 그래서 저는 이 두 가지 유형의 모델을 가지고 있습니다. |
| 이것은 이미 데이터에 있는 것을 예측하는 데 좋습니다. 그리고 이것은 전체 데이터 세트가 없는 주변의 데이터를 예측하는 데 사용했던 것입니다. |
| 새해를 맞이하여 제가 사용하고 있는 표준 기본 유형인 근접 및 종료 및 점프를 사용하고 있습니다. 그가 거의 작동하기 때문에 어렵기 때문에 사용하는 것이 아닙니다. |
| 여기에 다섯 가지 고정 효과가 모두 있습니다. 여기에서 볼 수 있듯이 모든 하이퍼볼릭 탄젠트 함수에 3개의 노드가 있는 하나의 레이어를 사용합니다. |
| 그리고 여기 hx라는 함수가 있습니다. hx는 디스트릭트 함수의 합과 여기에 편향 항을 더한 것입니다. |
| 그래서 더 많은 노드를 추가하면. 그것은 더 나아지지 않을 것입니다. 두 개의 노드만 사용하면 상황이 더욱 악화됩니다. 그래서 나는 이것을 모두 사용할 것입니다. 이것이 제가 여기서 보여드릴 내용입니다. |
| 내 쇼. 이런. 좋아요. |
| 보여주다. |
| 나는 당신에게 돌아갑니다. 그래서 |
| 여기 내 |
| 혼합 효과 모델 솔루션. 내가 어떻게 생각해 냈어? 당신에게 보여주기 위해. 여기에 시뮬레이션에 의한 혼합 효과의 유효성 검증을 넣은 응답이 있습니다. |
| 1년 동안 내 모든 고정 효과와 무작위 효과는 내 배치가 맞고 유전적인 이번 첫 번째 시뮬레이션입니다. 시뮬레이션 1을 보고 시뮬레이션 터키 전체로 이동합니다. |
| 예를 들어 여기에서 점프의 시뮬레이션 기능을 사용할 수 없었습니다. 모든 배치에 대한 유효성 검사 열을 변경하기 때문입니다. 의 공식 |
| 나는 화이트 G. |
| 그리고. 좋아요. 자, 앗, 여기로 돌아가서, 이제 여기에 다른 스크립트가 있는데 시간이 조금 걸릴 것입니다. |
| 큰 문제가 되지 않아야 합니다. |
| 예를 들어 내가 할 때. |
| 달리기는 당신이 뛰는 것입니다. 시뮬레이션당 1000개의 행이 있어 10분에서 15분 정도 소요되는 모든 과정을 수행할 수 있습니다. |
| 여기에서 동시에 청각 시뮬레이션을 수행하려면 일부 토해야 합니다. |
| 그리고 |
| 우리는 거기에 갈. |
| 좋아요, 그래서 여기에 제가 다시 한 번, 제 모든 것을 보면 5개의 3개의 음이 맞고 시뮬레이션 1에서 시뮬레이션 30까지 있습니다. |
| 오른쪽. 이제 저는 제 연도의 실행을 위해 모든 작업을 수행했습니다. 맞습니다. 다음으로 이해해야 할 것은 우리 사각형의 유형입니다. 실제로 비교를 해볼께요 |
| 여기에 5가지 유형의 제곱이 있습니다. 여기에 r 제곱 공식이 있습니다. 왜, 왜 여기서 유형별로 di 제곱을 구별해야 합니까? 왜냐하면 이 수식에서 실제 대 예측을 사용하는 것에 따라 다르기 때문입니다. |
| 당신은 당신의 제곱 변화를 알고 있습니다. 예를 들어, 여기 있습니다. 오, 이들은 r 제곱 또는 비교 유형입니다. |
| 예를 들어 The Rosa는 훈련 세트를 돌립니다. 내가 시뮬레이트한 것과 여기 신경망에 대해 얻은 형태는 여러분이 그 안에 있을 때이기 때문입니다. 그리고 당신도 알다시피, 그것은 실제로 |
| 예를 들어, 이 세 가지 모두 같은 경우입니다. 아내와 아내의 모자가 같다고 비교하고 있기 때문입니다. 그래서 나는 8번 유형이 맞다. |
| 그런 다음 내가 비교하는 또 다른 유형의 전화 유형이 있습니다. 저는 시뮬레이션 값을 실제 값과 비교하지 않습니다. |
| 임의 오류 항의 임의 효과 내 시뮬레이션의 예상 값과 시뮬레이션의 형태를 비교하고 있습니다. |
| 그래서 이것들은 저를 테스트 세트 규칙으로 보내게 합니다. r 제곱을 계산하는 방식이 항상 동일하기 때문에 여기에서 이런 방식으로 변경될 것입니다. |
| 내가 조건부 테스트 세트라고 부르는 것이 있을 때. 데이터 세트가 있을 때 정확히 얻을 수 있기 때문에 상위 미래 성능을 봅니다. 실제를 알 수 없기 때문입니다. |
| 우리는 당신이 시뮬레이트해야 할 실제 모델이 없으며 실제로 동일한 장미인 예상 테스트 세트를 가지고 있지만 지금은 |
| 예상 값. 그리고 나는 더 나은 단어의 부족, 실제 미래의 성능과 같은 것을 말할 수 있습니다. 따라서 겉보기에 수행된 것이 반드시 실제 미래 성과는 아닙니다. 좋아요. |
| 믹스 효과 모델의 경우 동일합니다. 이제 다른 유형의 r 제곱이 있습니다. |
| 여기에 조건부예측농지를 사용하고 추정치를 사용하여 임의의 효과를 가지지만, 미래를 예측하고 싶을 때. 그래서, 테스트를 깨는 사람은 여기에서 두 조건을 모두 설정하지 않습니다. 여기에 또 다른 사각형이 있습니다. d는 I에 대한 전체 시뮬레이션 값을 비교합니다. |
| 왜 ij 대 내 한계 모델이 여기에 있습니까? 나는 be here right와 Leslie를 사용하지 않고 우리 사각형의 다섯 번째 유형을 가지도록 했습니다. |
| 다시 말하지만 테스트 세트는 항상 동일한 역할입니다. 여기에서 사용하고 있습니다. 이제 기대값 대 내 마진입니다. 많이. 그래서 문제는 |
| 거기 조심하지 않으면. 잘못된 사람 r 제곱을 계산할 수 있습니다. |
| 그래서 제가 하는 일은 여기 있을 때마다입니다. 그리고 효과 모드를 혼합해야 한다면. 나는 이 보고서에 있는 어떤 것도 사용하지 않고 여기에서 열을 저장하기만 하면 됩니다. |
| 여기에는 조건부 모델 오른쪽의 예측 공식이 저장되어 있으므로 혼합 효과 모델을 위한 이 형식 없는 열을 만들 것입니다. 이제 |
| 근처에 또는 수식을 저장할 수도 있습니다. 나는 우리의 제곱으로 계산하고 싶기 때문에 fest 공식을 말하는 것을 좋아합니다. 그래서 저는 빠른 수식으로 저장되었고 여기에 이 5개의 열을 만들 때 보시는 것과 같습니다. |
| 좋아, 내가 그들에게 갈게. |
| 이제 내 유형 A, 프레젠테이션에서 타이페이를 기억한다면 여기 유형은 시뮬레이션된 왜 ij와 해당 모델의 내 근거리를 비교하고 있습니다. 그래서 내가 여기서 하는 일. 죄송합니다. 제가 여기서 하는 일은 |
| 나는 그들을 정보라고 부르러 가고 당신은 여기를 봅니다. 무엇을 예측하고 예측하기 dy AJ |
| 자, 여기 있습니다. 이제 여기에서 De Niro를 저장하고 그가 하는 두 배의 가치는 이 가치와 같습니다. |
| 하지만 지금은 여기서 무엇을 예측할지 변경하겠습니다. 이것은 기대값을 예측하는 것입니다. 맞아요, 그래서 제가 이 공식을 사용할 수 있는 방법은 모델 비교인 여기 점프 기능입니다. 이 유형 A를 사용하러 갈 수 있고 시뮬레이션을 구입하고 유효성 검사를 통해 성장했습니다. |
| 그리고 당신이 얻는 것. 당신이 필요로 하는 모든 Dr squares입니다. |
| 에서 보려면 |
| 시뮬레이션 1부터 |
| 모두 시뮬레이션 30까지 내려갔고 나중에 데이터 테이블을 결합할 수 있도록 세트별로 가지고 있으며 모든 것이 정사각형이기 때문에 모든 것을 깔끔하게 얻을 수 있습니다. 그래서 다른 것들에 대해서는 여기에 예를 들어 다음과 같은 스크립트가 있습니다. |
| 그는 평화 공식이었습니다. 이제 바로 이 칼럼에서, 나는 검증 세트가 아닌 모델링이 아닌 테스트 세트에 대해 r 제곱을 설정한다고 예측했을 뿐입니다. 그래서 시뮬레이션. 하나는 1년입니다. |
| 그런 다음 여기까지 내려가면 시뮬레이션 30이 있습니다. 다시 말하지만, 데이터 테이블을 항상 결합할 수 있으며 데이터는 모두 사각형이므로 동일한 테이블 형식처럼 나옵니다. |
| 그리고 Daniel, 분명히 여기에 유형 co fire squares에 대한 또 다른 스크립트가 있을 수 있습니다. 우리는 혼합 효과 모델의 모델링 세트를 선택하고 시뮬레이션 하나를 시뮬레이션 30으로 현대적인 세트로 설정하고 여러분도 같은 작업을 수행한다는 것을 알고 있습니다. |
| 테스트 세트에서 지금 확인하십시오. 하지만 이제 왜 ij인지 예측하고 있습니다. 그래서, 예를 들어, 여기의 비밀은 때때로 호수에 하나가 있다는 것입니다. 여기에서 다시 동일한 공식을 사용합니다. |
| 혼합 효과 모델 솔루션. 변한 것은 당신의 칼럼에 있는 당신을 위한 나뿐이다. 무엇을 예측했는지 확인한 다음 이를 사용하여 이 모든 사각형을 계산할 수 있습니다. |
| 괜찮은. |
| 다시 프리젠테이션으로 돌아가겠습니다. 이제 모든 정사각형을 모았으니 테이블을 쌓은 다음 시각화를 할 수 있습니다. |
| 그러나 여기서 저는 두 가지 솔루션의 조건부 테스트 세트와 여기에서 말한 예상에 정말로 관심이 있습니다. 여기 이 테이블 디스플레이에 대해 이야기하는 데 45분을 할애할 수 있습니다. |
| 하지만 저는 r 제곱의 절대값에 정말로 관심이 있는 것이 아니라 우리의 제곱을 비교하는 비교적 일종의 방법에 관심이 있습니다. |
| 하지만 한 가지를 확인하는 데 며칠이 필요합니다. 여기에서 볼 수 있듯이 여기에서 볼 수 있는 데이터 크기는 여기에서 볼 수 있습니다. |
| 여기에서 포인터를 사용합니다. 더 쉽게 만드십시오. 나는 모든 정사각형을 가지고 있습니다. 나는 여기에서 당신이 할 모든 요인에 대해 만들었습니다. 오른쪽. |
| 제가 작은 데이터 세트를 가지고 있을 때 일어나는 일은 제가 가까이 있고 제 훈련 때문에 올바르게 훈련되고 있다는 것입니다. |
| 그리고 내 유효성 검사 세트에는 겹치는 정사각형 분포가 있습니다. 그러나 조건부 테스트 세트를 보면 예상 값이 없기 때문에 항상 올바른 데이터인 조건부 테스트 세트를 볼 수 있습니다. |
| 이 작은 데이터 세트가 있을 때 이 모든 것을 볼 수 있지만 더 큰 데이터 세트가 있을 때는 항상 낮은 수준입니다. |
| 상황은 1000개의 역할과 다르며 모두 정렬되어 있습니다. 그래서 저는 이것들을 올바르게 훈련시켰습니다. 다시 말하지만, 여기에서 우리 광장의 절대 가치는 그들이 정말로 관심을 갖는 것은 별 관심이 없습니다. |
| 여기 있는 이전 슬라이드 중 하나입니다. 이제 비교하고 싶습니다. 내 벤치마크 혼합 효과 모델과 내 신경망의 예측 성능을 저 어두운 사각형 테스트와 비교해 보시기 바랍니다. 그래서, 여기 당신이 얻는 것이 있습니다. |
| 이 곰팡이를 가져오겠습니다. 그래서 여기서 얻는 것은 다시 모든 동사입니다. 나는 우리를 해야 했고, 그들이 |
| 질병과 순 솔루션 또는 효과 솔루션을 혼합하지 않았습니다. 따라서 성능의 한 부분인 조건부 테스트 세트에 대해 알 수 있습니다. 따라서 그 동안 데이터 크기가 작다는 것을 항상 알 수 있습니다. |
| 혼합 효과 Maltese는 항상 여기에서 더 나은 작업을 수행합니다. |
| 무작위 효과 오른쪽 대 그때 당신은 항상 이것이 있기 때문입니다. |
| 그들의 중앙값 또는 심지어 평균은 모두 더 높지만 더 큰 데이터 세트가 있을 때 |
| 어떤 시점까지는 차이가 더 이상 존재하지 않는다는 것을 알고 있습니다. 여기서 더 나은 작업을 수행하는 새로운 것조차도 현재 성능입니다. |
| 이제 진짜. 이제 혼합 효과 모델이 증서 대 인터넷보다 더 나은 작업을 수행했음을 알 수 있습니다. |
| 그리고 여기에는 더 이상 근거도 없습니다. 왜냐하면 결국에는 직접 효과 모델이기 때문입니다. 그는 특히 빅 데이터 더 큰 데이터인 이 시나리오에서 더 잘하고 있습니다. |
| 마지막 세트 또는 변동성 등이 초대된 덴 사이에서 바로 지금 내가 여기에 있는 라인을 찾습니다. 이렇게 할 것입니다. 모든 시뮬레이션 실행에 대해 할 것입니다. 믹스 효과 간의 차이를 할 것입니다. |
| R 스퀘어 대 새해 그리고 그것은 스퀘어입니다. 자, 시작합니다. |
| 여기에 4개의 플롯이 있으므로 y축에 있는 하나에 집중해 보겠습니다. 에어컨 사각형입니다. 그런 다음 컨디셔너 제곱의 차이를 빼서 섞습니다. 죄송합니다. |
| 혼합 효과 r 제곱 빼기 그러면 여러분은 그 제곱 안에 있습니다. 이것이 바로 여기에서 얻을 수 있는 것이며 미래 성과에 대한 패턴의 차이입니다. |
| 그리고 여기 x축에 있는 것은 예상되는 R 제곱의 차이입니다. 우리는 실제 미래 성과, 오른쪽 또는 편향을 선택합니다. 네가 원한다면 |
| 이제 네 개의 블록이 있습니다. 왜냐하면 기술이 없는 과거 데이터가 있을 때 그것에 대해 생각한다면, |
| 데이터를 분석하는 경우 데이터 크기와 상대적인 배치 크기라는 두 가지만 제어할 수 있습니다. |
| 그 이유는 데이터의 변동성을 제어할 수 없기 때문입니다. 그리고 임의의 효과가 임의의 공기보다 훨씬 클 경우. 그래서 당신이 할 수있는 유일한 두 가지 |
| 제어할 수 있는 것은 데이터 크기와 상대적 배치 크기입니다. 태그가 없는 경우 과거 데이터를 사용하면 최소한 아이디어를 얻을 수 있습니다. |
| 아주 많은 침실, 하나 또는 두 개의 배치로 구성되어야 합니다. 오른쪽. 그래서 그것이 당신이 가진 통제의 종류입니다 |
| 통계 데이터가 있을 때 적어도 배치 크기에 대한 아이디어를 가질 수 있습니다. |
| 그래서 제가 여기에서 비교하고 있는 것은 명백한 성능 문제의 차이가 긍정적인 차이라는 것입니다. 이는 혼합 효과 모델이 더 나은 성능을 갖는다는 것을 의미합니다. |
| 이 차이가 있다면 여기도 긍정적입니다. 더 나은 미래의 퍼포먼스로서의 믹스 효과를 의미합니다. |
| 작은 데이터 세트가 있는 경우 여기에서 볼 수 있습니다. 당신이 무엇을 하든 상관없습니다. |
| 그리고 혼합 효과 모델은 성능이 더 좋고 때로는 훨씬 더 좋습니다. R 제곱의 차이에 대해 이야기할 것이기 때문입니다. |
| 맞아, 그래서 그는 훨씬 더 나은 성능을 얻고 있습니다. 하나 또는 미래에 팟을 넣습니다. 따라서 데이터 크기가 작을 때는 |
| 아니요, 여기에는 해결책이 없습니다. 그러나 데이터 크기를 보면 더 큰 데이터 쪽이 맞지만 이렇게 적은 양의 배치가 있는 경우입니다. 오른쪽. |
| 여기에서 재미있는 일이 발생합니다. 여기에서 충분한 자금 조달 미래 성과 Y 축의 차이가 대부분 음수라는 것을 알고 있기 때문입니다. |
| 이는 테스트 세트 Tahrir Square 권리 또는 조건부에서 특허 측면에서 더 나은 작업을 수행하는 데 가깝다는 것을 의미합니다. |
| 그 어두운 사각형을 터치합니다. 그래서, 당신이 그것을 할 때. 누가 새로운 소변처럼 보일 것입니다. 그것보다 더 훌륭한 일이 될거야 |
| 혼합 효과 모델. 그러나 실제 미래 성과의 차이인 x축의 많은 부분을 보면 상당히 오해의 소지가 있을 수 있습니다. |
| 자, 여기에 많은 데이터가 있지만 몇 개의 배치만 있으면 멋진 테스트를 얻을 수 있습니다. 테스트 세트는 정사각형입니다. 그러나 나중에 금형을 배치하려고 할 때. |
| 문제가 생길 수 있습니다. 그런데 여기를 보면. 여기에는 많은 데이터와 배치가 있는 완화 상황이 있습니다. 그래서 그들은 그다지 다르지 않은 경향이 있습니다. 맞아요 그래서 |
| 결론적으로, 데이터 세트가 작을 때 무시할 수 없는 임의 영향 기계 학습을 사용해야 합니다. 테스트 세트 예측 성능이 좋지 않을 가능성이 큽니다. |
| 관계없이 얼마나 많은 배치 클러스터가 있습니까? 머신 러닝이 성공하려면 최소한의 데이터 크기가 필요하기 때문입니다. 오른쪽. 그래서 없다 |
| 여기서 게임을 이길 방법은 없습니다. 이제 데이터 크기가 크고 클러스터가 몇 개만 있는 경우입니다. 이는 테스트 세트가 성능이 양호할 수 있다고 예측하기 때문에 일종의 오해의 소지가 있는 상황이지만 성능은 나중에 모델을 배포할 때 Brewer가 될 가능성이 높습니다. |
| 어떤 사람들은 저에게 이렇게 말합니다. 정규화를 사용하지 않는 이유 |
| 당신의 테스트 세트 R 제곱은 좋을 수 있지만 당신이 그것을 올바르게 필요로 한다는 것을 모르기 때문에 당신은 말할 수 없을 것입니다. |
| 어두운 사각형이나 어떤 종류의 오류에서 테스트를 보는 것만으로도 장기적인 미래 성과는 어떻습니까? |
| 그러나 데이터 세트가 크면 하루에 많은 클러스터가 있고 전체 상황이 완화되고 더 가까운 종류의 평균의 편향 효과는 모든 무작위 효과, 아시다시피 모든 것의 합계이기 때문에 제거됩니다. |
| 0입니다. 따라서 가능한 한 최신 정보를 더 많이 얻을 수 있습니다. |
| 무엇보다도 제가 배운 것을 배운 것은 데이터가 의도적으로 설계되지 않았을 때 제가 항상 기억하는 두 가지가 있다는 것입니다. |
| 머신 랜드는 데이터가 크다고 해서 데이터를 처리할 수 없습니다. 제대로 작동하려면 최소한의 디자인 권한이 있어야 합니다. |
| 그러나 데이터가 클수록 최소 수준의 설계가 순전히 우연에 의해 데이터에 이미 존재할 가능성이 커집니다. 괜찮은. 연락을 원하신다면 감사합니다. 우리는 점프 커뮤니티에 있습니다. 이것이 우리의 주소입니다. 감사합니다. |
