Vocero | Transcripción |
| fabio d'ottaviano | Bien, gracias a todos por ver este video aquí. Bueno, como puede ver, hablaré sobre los efectos aleatorios que faltan en el aprendizaje automático. |
| Es una idea de trabajo junto con mi colega cuando Joe Young, ambos trabajamos para Dow Chemical Company trabajando en coreano D y lo ayudamos a desarrollar nuevos procesos y principalmente nuevos productos. |
| Lo que ven aquí en esta pantalla es una gran caja de bingo, porque nuestra charla aquí será sobre simulación y la simulación tiene mucho que ver, al menos para mí. |
| Con el caso del bingo porque decidiste la distribución de tus bolas y números dentro de la gran ocasión, entonces sigues eligiéndolos como quieras. Está bien. |
| Esta charla también tiene que ver con la publicación, acabamos de decir. |
| Últimamente, lo mismo nombre, y usted puede ganar lo que debe tener acceso a esta presentación, sólo puede hacer clic aquí y tendrá acceso a todo el documento. Así que aquí hay solo un resumen de lo que hemos publicado allí. |
| Bien, ¿cuál es el contexto para esto? Bueno, en primer lugar, el aprendizaje automático tiene una especie de atractivo plug and play para las sesiones de conocimiento. |
| Sé que no tienes que asumir nada que sea atractivo. Además, hoy en día tienes un software muy fácil de usar. Entonces, ya sabes, a la gente le gusta hacer eso en estos días. |
| Sin embargo, ya sabes, los efectos aleatorios están en todas partes y ejecutar estos efectos es algo gracioso porque es un concepto que es un poco más complejo. Entonces tiende a no ser |
| Tocar cursos básicos de estadística muestra un tema más avanzado. Entonces, habrá mucha gente haciendo aprendizaje automático sin entender mucho sobre el efecto aleatorio. |
| E incluso si tienen esa comprensión, entonces el concepto de hecho aleatorio |
| Todavía no, ya sabes, trae la pelea ruidosa con las personas que hacen aprendizaje automático porque solo hay unos pocos algoritmos que pueden hacer eso que pueden usar efectos aleatorios. |
| Puede consultar estas referencias aquí donde ve que hay algunos árboles y bosques aleatorios, y puede tomarlos, pero los recientes y no están, ya sabe, esparcidos. |
| En todos lados. Por lo tanto, tendrá dificultades para encontrar algo que pueda manejar los efectos aleatorios en el aprendizaje automático. |
| Solo habla un poco sobre los efectos aleatorios. Como pueden ver aquí, al menos en la industria química de donde vengo. Normalmente nos mezclamos. Digo tres componentes. Bien. Estas amarillas, rojas y verdes. |
| Nosotros, hacemos esto, ya sabes, el porcentaje de cada uno de estos componentes en diferentes niveles. Y luego medimos las respuestas a medida que lo cambiamos, el porcentaje de estos componentes con un determinado equipo y, a veces, incluso tiene un operador o un técnico de laboratorio que |
| También interfiere en el resultado que quieres ver. Bueno. Y luego, cuando hacemos este tipo de experimento, queremos generalizar, son los hallazgos, correctos, o cualquier predicción. Estamos tratando de llegar aquí. |
| Pero el problema es que sabes cuando estoy mezclando estos componentes verdes aquí. Si compro la próxima vez al proveedor que me suministre este componente verde año |
| Y el verde hizo sombra, ya sabes, muy y no sé cuál será la próxima vez que compre este componente verde es el lote. Si el proveedor me está dando va a ser exactamente el mismo verde porque hay una variabilidad en el suministro |
| Además, sabes que puedo aprovechar mi experiencia de que estás usando cierto equipo. Pero si voy y miro en mi laboratorio o si miro en otros laboratorios, es posible que tenga diferentes marcas de estos equipos. |
| Y encima También tiene, ya sabe, tal vez alimentos cuya medición depende del operador que lo está haciendo bien, por lo que también puede interferir y empobrecer un poco mi |
| Predicción aquí sobre mi generalización a |
| Haz lo que quiera predecir aquí además |
| Este es el más típico supongo que en la industria química, que es el experimento de variabilidad de lotes experimentales |
| A lo largo del tiempo si repites lo mismo una y otra vez. |
| Digamos que tienes un experimento aquí, obtienes tu modelo, tu modelo puede predecir algo, pero luego repites ese experimento para que otro Malden obtenga otro modelo, las predicciones de estos tres modelos. |
| Puede ser considerablemente diferente en este momento. Nick legible. Entonces, también está el componente del tiempo. |
| Entonces, ¿cuál es el problema del que estoy hablando aquí? Bueno, por lo general, tenemos datos almacenados y datos históricos, solo digamos, ya sabes, una colección de bits y piezas de datos que has hecho en el pasado. |
| Y la gente no estaba muy preocupada por generalizar ese resultado. El resultado en el momento en que tuvieron ese experimento. Entonces, cuando los recopilamos y los llamamos datos históricos, podemos o no tener etiquetas para el efecto aleatorio, ¿verdad? |
| Y luego si tienes texto, que por lo menos es de donde vengo yo. Esto es más una excepción a la regla que no tiene impuestos para mí hechos, qué, al menos no para no todos ellos. |
| Digamos que tienes etiquetas. Una cosa que puede hacer es usar técnicas de aprendizaje automático que puedan manejar estos efectos aleatorios y llevarlos al modelo. Y eso es. No tienes problema. |
| Pero claro, como decía, no está muy bien adormecer las técnicas de aprendizaje automático que pueden entorpecer los efectos aleatorios. Puede sentirse tentado a utilizar el aprendizaje automático. |
| Y deje que los efectos aleatorios entren en el modelo como si estuvieran arreglados y luego se encontrará con estos, conoce un problema muy conocido que debe tratar el efecto aleatorio así arreglado. |
| Solo por decir una cosa, le resultará difícil predecir todo lo nuevo que se avecina porque, por ejemplo, si su efecto aleatorio es europeo más tarde, solo tiene unos pocos. |
| Operadores en sus datos, a la derecha, algunos nombres, pero si hay un nuevo operador haciendo días, no lo hace. No se puede predecir cuál será el efecto de este nuevo operador. Entonces, aquí no hay trato |
| Y luego hay una cosa que puedes hacer. Tú haces. Debería tener o no debería tener ingresos fiscales, nos sacrificamos nuevamente cualquier técnica de aprendizaje automático. |
| Y si tiene aleatorio, debe tener las etiquetas que ignore el efecto aleatorio o si no. De todos modos, vas a estar ignorándolo. Te guste o no. Entonces, lo que quiero hacer es menos simular un tirador. Utilizamos la pesca con cuerda de saltar. |
| Y ya sabes, espero que hayas disfrutado de los resultados. |
| La simulación, básicamente. Así que usaré un modelo de efectos mixtos con efectos fijos y aleatorios. Y luego usamos ese mismo modelo para estimar |
| Con la respuesta a esto para hacer el modelo después de simular y también modelar, los resultados de mi simulación aquí con una red neuronal a la derecha |
| Luego usamos este modelo aquí como el rendimiento predictivo de este modelo aquí. |
| Como punto de referencia y lo usamos para predecir el rendimiento de los casi en el borde para, ya sabes, comparar más tarde están tomando su conjunto de prueba son cuadrados para ver qué va a pasar. Encuentras el efecto aleatorio aquí, a la derecha. |
| Entonces de acuerdo. A veces, cuando hablo de estas personas, a veces pienso que estoy comparando un modelo lineal de efectos mixtos con, ya sabes, una red neuronal de aprendizaje automático. Y ese no es el caso, ya sabes, aquí estamos comparando un modelo con y sin efecto aleatorio. |
| Incluso que hay un efecto aleatorio en los datos. Yo podría hacer. por ejemplo, un |
| Modelo lineal con efectos de ejecución frente a un modelo lineal sin efectos. |
| Y podría hacer una red neuronal con efectos aleatorios versus en la orina sin efectos aleatorios. Pero el problema es que hoy en día no hay maravilla y eso, por ejemplo, que se puede manejar con efecto aleatorio. Así que me obligué a usar. Por ejemplo, un efecto mixto lineal de todos |
| Mis factores de simulación. Bueno, usaré algo que es típico en la industria, que es una mezcla con el modelo de variable de proceso de lo que es. |
| Digamos que tengo esos tres componentes. Te mostré antes. Conozca el amarillo, el rojo, el verde y tienen un porcentaje determinado y llegan a uno. |
| Tener una variable continua que, por ejemplo, puede ser la temperatura. Tengo una variable categórica que puede ser de tipo capitalista y tengo un efecto aleatorio que puede ser muy desagradable de un lote a otro de experimentos. Bueno. |
| El modelo de simulación. Bueno, es bastante simple. Aquí tengo mi mezcla de efectos principales M uno M dos y tres. Bien. Y verá en todo este modelo que todos los efectos fijos tienen uno o menos uno. Simplemente les asigné uno menos uno al azar. |
| Así que tengo los efectos principales de la mezcla. Aquí tengo la mezcla de interacción de dos vías, la interacción de la mezcla sería variable continua. |
| Y la interacción de la variable categórica con los componentes. Y finalmente, la introducción de la variable continua con la variable categórica. |
| Ademas tengo estos ser, Por que aqui elegimos mi efecto aleatorio y el Ej, que es mi error aleatorio. Bien. Y ambos se distribuyen normalmente con cierta variación aquí. Dije, la variación entre un mejor de los experimentos, correcto, y utiliza la divergencia dentro de la coincidencia del lote del experimento. |
| De toda esta presentación, solo para hacer que toda esta fórmula represente una formación de la manera más ordenada o use esta forma, un héroe X en realidad representa todos los efectos corregidos y beta |
| Representa todos los parámetros que utilicé. Bien. Y mi por qué aquí. En realidad, lo esperado. ¿Por qué XP es correcto? Es todo esto sin mi efecto aleatorio aquí y tratamos a mi alcalde Renault. |
| Parámetros de simulación. Bueno, aquí tengo uno que es de tamaño de datos, correcto, el que ella. Que pasa si no tengo, no tantos datos y |
| Más capas de datos y más datos aquí. Tengo dos niveles. 110 000 roles en cada conjunto de experimentos. Aquí, en realidad, tienen 20 filas de efecto perfecto en lugar de 200. La otra cosa que voy a variar va a ser D decide la placa para el clúster, lo que quieras. |
| A veces va a ser. Es que tengo dos niveles, 4 % y 25 %, por lo que 4 % significa que si tengo 100 rollos de estos un lote de experiencia, mi lote, vamos a |
| Será en realidad para los papeles. Así que voy a tener 2525 lotes. Si tengo 100 rollos en total, mi lote mide un 25 % y solo tengo cuatro lotes. |
| Luego, la otra variable que cambiamos aquí será la varianza total. Bien. |
| Y bueno, aquí tenemos dos niveles, punto, cinco y 2,5 es la mitad del tamaño del efecto derecho a elegir. Así que la fórmula aquí. Son todos unos para el efecto fijo. |
| Y el otro es escribir y la sumatoria de esta varianza total es la sumatoria de mi variación entre lotes y dentro de lotes, una varianza muy grande. Bien. Y por último, la otra cosa que cambiaré es la relación entre dos dentro de muy |
| Segmentos similares. Bien. Así que tengo uno y cuatro. Así que en uno de mis |
| Entre la variación de lotes será igual a ganar y el otro será cuatro veces más grande que ganar |
| Entonces, una vez que me conformé es para |
| cuatro factores aquí. Digo parámetros y luego haces un factorial completo, usamos nuestras 16 ejecuciones directamente para |
| A dos niveles de tamaño de datos dos niveles de tamaño de lote dos niveles de varianza total Angelo's era el desierto. |
| Con eso, puedo calcularlo dentro de los segmentos correspondientes. Bien. Y esa es la configuración para la simulación. Bueno. Ahora, lo llamo hiperparámetro de simulación, porque puede cambiar a medida que |
| Lo que haría, y te lo mostraré en la demostración. Es un riesgo de simulación 30 o corremos. Así que cada uno de los 16 lo que hice fue correr 30 veces cada uno. Bien. Así por ejemplo, |
| Haré que se ejecute una simulación 123 hasta sucio y para los efectos fijos. El, el nivel de los efectos de dificultad. Yo uso el diseño de sensación de espacio. |
| Y la razón por la que uso este diseño de relleno de espacio es que no quiero confundir el efecto de faltar allí y luego con el hecho de que posiblemente tenga algunos llamando a la organización benéfica o datos escasos. |
| Lo cual es típico en los datos históricos. Bien. No quiero eso en medio de mi camino. Quiero, prefiero diseñar y sentir el espacio diseñar que contagiemos el |
| Niveles de los efectos fijos en el espacio de entrada. Entonces, si me deshago de este problema de acertar los datos de forma dispersa o limpio la rareza correctamente y luego lo asignamos al lote, aleatorizamos el lote, cruzamos las ejecuciones en la primera ronda y luego usamos el mismo |
| Secuencia en todas las otras 29 ejecuciones. Así que todas las carreras, tenemos el mismo lote de ubicación. |
| A finales de. Y, por último, todas las ubicaciones de Santa serán aleatorias para cada una de las ejecuciones de simulación. Así que déjame salir del aire y empezar a saltar. |
| Así que lo que haría es, yo solía hacer un diseño de derrames con un propósito especial. Cargaré mi factor aquí solo por ser Quiero ser rápido aquí. De todos modos, aquí tengo mis efectos fijos 12345. |
| Los diseños de sensación de espacio no aceptan una mezcla de variables. Así que necesitas configurar |
| restricciones lineales aquí solo para decirles, miren a estos tres tipos aquí y necesitan sumar uno. Así que eso es lo que voy a hacer aquí. |
| Está bien. |
| Entonces, con eso, una restricción satisfecha dará un ejemplo de la primera ejecución de este d, que es donde tengo un tamaño de datos 100, tamaño de lote relativo 4% |
| variación total varianza total punto cinco y la razón va a ser uno. Entonces, si vuelvo aquí y necesito poner, necesito generar 100 ejecuciones. Además, si quiero replicar esta teoría y tienes que configurar la semilla aleatoria y el número de comienzos correctos |
| Entonces, la única opción que tengo cuando dije restricción es el diseño de llenado rápido, más rápido y flexible. Y aquí vamos, tengo la tabla aquí para que pueda incluir esta tabla. |
| Una cosa que ves es si usas un bloque ternario y usas tus tres componentes. Ves que todo está disperso. Ups. |
| Tengo un problema aquí que ella |
| No |
| Déjame volver. Hay un problema con las restricciones, sí. Olvidé el de aquí. Sí. |
| Muy bien, empecemos todo de nuevo. Centenar |
| Colocar |
| Asiento aleatorio 21234 |
| Y comienza el número. Excelente. |
| Próximo libro sentimiento hacer mesa. Sí. Y luego solo necesito verificar si está todo disperso. |
| Y averiguar. Sí. Muy bien, entonces miro mi variable categórica aquí. Quiero ver si se extiende a todos ellos. Como se puede ver esto para uno y dos. Excelente. Ahora dije déjame cerrar todo lo que hacemos 30 simulaciones. Así que este es un DERECHO DE SIMULACIÓN. TENGO 100 papeles. |
| Pero ahora necesito hacer 30. Entonces, lo que haré es agregar roles aquí. |
| 2900 |
| Al final |
| Y solo seleccionamos estas primeras 1000 ejecuciones, perdón, 100 ejecuciones, todas las variables, un año. |
| Y sentir hasta el final de la mesa. Excelente. Así que ahora repito el mismo diseño 30 veces bien |
| Ahora, |
| Para hacerlo más rápido simplemente abriría. Sin embargo, estoy usando esta tabla nuevamente. Simplemente use otra tabla donde tengo todo lo que quería mostrar ya configurado. |
| Así que sí, tengo de regreso a esta mesa justo lo que tengo. Lo siguiente que haría es simplemente crear una columna de simulación aquí solo para decirles que miren |
| Con esta fórmula aquí. Puedo decir que las simulaciones hasta 100 filas cien esta simulación uno y luego cada cien cambias los números de simulación. Entonces, al final del día, obviamente obtengo 30 simulaciones con 100 rollos. cada gran |
| Luego la ubicación del lote, solo para explicar lo que hicieron. Acabo de mostrar eso en el PowerPoint. tengo una granja Ahora creará dos lotes del 4 % del tamaño total de los datos, lo que significa que tengo cuatro filas por lote aquí en lugar de cuatro, y así sucesivamente. Y una vez que el |
| Llego a 100 aquí y estoy saltando de la simulación. Quiere simular para luego comenzar todo de nuevo. Bien. Así que tengo al final del día. |
| Todos los 25 lotes aquí. Bueno. |
| Luego, lo siguiente que haré es crear mi validación. |
| Columna, lo que significa que necesito dividir el conjunto correctamente para |
| Volvamos a esta demostración. Volviendo al PowerPoint aquí, ven que para la solución que voy a crear pero la neurona que tenía |
| Se dividen los roles el 60% de ellos pertenecerán al conjunto de entrenamiento, el 20% al conjunto de validación y los otros 22 al conjunto de prueba. Entonces, ¿cómo hago eso en ese caso de nuevo de vuelta a John? |
| Aquí vamos. Déjame ocultar esto |
| Bien, entonces aquí está para validar la validación. Cómo puedo hacer eso. Ya está ahí, pero no expliques cómo haces que vas a Analizar |
| Haga que la columna de validación use que su columna de simulación tenga una certificación, vaya y luego simplemente haga |
| Punto 6.5 2.2 y un usuario una semilla aleatoria aquí solo para asegurarse de que vea que así es como creo esa columna correctamente |
| Entonces si vuelvo a mi presentación aquí. |
| Todo el 60% que pertenece al conjunto de entrenamiento para el nuevo año y ese 10 a 20% que |
| Pertenece al conjunto de validación también para la red cercana. Ahora ambos pertenecen a un conjunto llamado conjunto de modelado para los efectos de mezcla. Así que el efecto de mezcla. |
| Modelo, no habrá validación. Solo hubo una estimación del modelo con este 80 % y el conjunto de prueba de la solución de efecto mixto que será el mismo 20 % que uso para el nuevo año en esa solución. Entonces, en ese caso, vuelvo a saltar y |
| Ve aquí esto |
| Y es genial escuchar la fórmula en la que sabes que cero significa que la validación de la red neuronal a cero significa entrenamiento, así que entrena, sigue entrenando. |
| Una es la configuración de validación que será mi modelado y dos es mi conjunto de prueba, y también será mi conjunto de prueba aquí. Así que creé estos y luego tú |
| nombre de la columna para todas sus etiquetas cero va a ser modelado y uno va a ser escritorio, de modo que vea aquí que todo lo que está escondido aquí dice aquí, pero lo que está forzando una validación se convierte en modelado justo entonces finalmente necesito configurar las fórmulas de mi respuesta. |
| Entonces, para el valor esperado de mi simulación. Solo tengo aquí para corregir la fórmula de efectos, aquí no hay ningún término aleatorio. Está bien. Y ese es mi valor esperado mi esposa y mi esposa ij va a ser |
| Esto y miras la fórmula, tienes la y, que es mi valor esperado, además aquí tengo una fórmula para generar |
| Cualquiera |
| Valor siguiendo una distribución normal con media cero y entre sigma sigma |
| entre sigma. Es como establecer las variables aquí y como una variable de tabla porque puedo cambiar el valor más tarde como una semana sin tener que ir a la fórmula. Pero de todos modos, esto generará un solo valor cada vez que cambie el número de lote. Así que si mi lote es |
| Aquí, ese va a ser el mismo valor cuando lo cambio a 22, crea otro valor. |
| Y tú cuando cambio de una simulación a otra. Así que tendré un valor para 25 por lote 25 nuestra simulación uno y luego, cuando salté al lote uno de simulación, crea otro valor. |
| Bien. Y aquí está mi número aleatorio normal con cosas sigma que puse sobre la mesa aquí, correcto. Así que vea algunos que replican el trato, ejecutamos uno. Tengo sigma 05 y 05. |
| Muy bien, entonces ahora tengo aquí la solución para mi simulación de modelo de efectos de mezcla justo antes de eso, déjame volver aquí y mostrarte lo que estoy haciendo. |
| Por ejemplo, para el modelo de efecto de mezcla. Mi modo de simulación es este, pero mis pies ese modelo será el problema podría ser el análisis el sombrero. |
| Y mi pequeño estar aquí va a ser pirateado, ¿verdad? Entonces, es nuestra playa para cumplir con los valores de lo que sea que simulé. |
| Y luego en el modelo de efecto de mezcla. Tengo que menos un modelo de predicción. Uno está ajustando el modelo condicional cuando uso |
| El mi estimación de los efectos aleatorios y el otro es mi marginal cuando no lo hago. Bien. Así que tengo estos dos tipos de modelo. |
| Esto es bueno para predecir cosas que ya tengo en los datos. Y esto es algo que usé para predecir que los datos no tienen un conjunto de datos completo, ¿verdad? |
| Para el año nuevo y que estoy usando, ya sabes, el tipo predeterminado estándar de cerca y al final y salto, que sabes que no solo estoy usando porque es difícil porque prácticamente funciona. |
| Tienes aquí los cinco efectos fijos. Uso una capa con tres nodos, todas las funciones de tangente hiperbólica como se puede ver aquí |
| Y luego tienes aquí una función llamada hx que es la suma de funciones de distrito, más un término de sesgo aquí, correcto. |
| Así que si agrego más nodos. No lo haría mejor. Encuentras que solo usas dos nodos y luego empeora aún más. Así que voy a usar todo esto. Y eso es lo que les voy a mostrar aquí. |
| Mi espectáculo. Ups. Bueno. |
| Espectáculo. |
| Yo vuelvo a ti. Entonces |
| aqui tengo mi |
| Solución modelo de efectos mixtos. ¿Cómo se me ocurrió eso? Solo para mostrarte. Tengo aquí la respuesta Pongo validación validación de los efectos de mezcla por simulación. |
| Todos mis efectos fijos al año y mi efecto aleatorio es mi derecho de lote y luego una genética esta primera simulación. Ves la simulación uno y va hasta la simulación de Turquía a la derecha. |
| No podría usar, por ejemplo, esa función de simulación de salto aquí porque estoy cambiando la columna de validación para cada lote, así que no puedo, al menos no sé cómo hacerlo, cómo incorporar la columna de validación en la fórmula de |
| Yo blanco G. |
| Y. Bueno. Entonces, ups, aquí atrás, ahora tengo otro guión aquí para eso y estás dentro de eso, va a tomar un poco |
| No debería ser un gran problema. |
| Cuando estoy haciendo por ejemplo. |
| Las carreras las haces corre. Tenemos 1000 filas por simulación que pueden tomar cursos de todo el tiempo, de unos 10 a 15 minutos. |
| Para hacer las simulaciones auditivas al mismo tiempo aquí debería arrojar algunos |
| Y |
| Aquí vamos. |
| Bien, aquí tengo, de nuevo, mi si miras, cada uno de ellos tiene cinco tres notas bien, está bien y tienes desde la simulación uno hasta la simulación 30 |
| Bien. Así que ahora tengo todo eso hecho para ejecutar uno de mi año, correcto, así que lo siguiente que necesito entender es qué tipo de nuestros cuadrados. Voy a comparar bien hay en realidad |
| cinco tipos de nuestros cuadrados aquí, así que aquí está la fórmula r cuadrada. ¿Por qué, por qué diferencio di cuadrados por tipo aquí porque depende de lo que use este real frente al predicho en esta fórmula? |
| Conoces tu cambio de plaza. Entonces, por ejemplo, tengo aquí. Oh, estos son tipo de r al cuadrado o comparar |
| Por ejemplo, La Rosa girando el conjunto de entrenamiento. Lo que simulé versus la forma que obtuve para la red neuronal aquí porque cuando estás en ella. Y sabes, eso es en realidad |
| El caso, por ejemplo, en todos estos tres son lo mismo porque estoy comparando mi esposa y los sombreros de mi esposa son iguales. Entonces tengo el tipo ocho correcto |
| Luego tengo otro tipo de llámalo tipo ser donde comparo. No, no estoy comparando el valor simulado con el |
| Efecto aleatorio en el término de error aleatorio. Estoy comparando el valor esperado de mi simulación con la forma en que van. |
| Así que esto me hace enviar a las reglas del conjunto de prueba son siempre las mismas, ya que la forma en que calculas el r cuadrado va a cambiar porque de esta manera aquí. |
| Cuando tengo lo que llamo el conjunto de prueba condicional. Veo el rendimiento futuro de los padres porque eso es exactamente lo que obtenemos cuando tienes cualquier conjunto de datos, porque no podemos decir el verdadero |
| No tenemos el modelo real para el que necesita simular y luego tiene el conjunto de prueba esperado, que en realidad es la misma rosa, pero ahora estoy comparando el |
| Valor esperado. Y puedo decir, a falta de una palabra mejor, una actuación futura real. Así que lo aparente realizado no es necesariamente el desempeño futuro real. DE ACUERDO. |
| Para el modelo de efecto de mezcla es el mismo. Ahora tengo otro tipo de r al cuadrado, porque aquí estoy comparando el valor simulado con mi |
| Tierras de cultivo de predicción condicional aquí y usando la estimación para tener efectos aleatorios, pero cuando quiero predecir el futuro. Entonces, bueno, nadie para romper la prueba establece ambas condiciones aquí, tengo otro cuadrado aquí d que está comparando el valor de simulación completo para I |
| ¿Por qué ij versus mi modelo marginal aquí? No estoy usando estar aquí bien y Leslie para tener un quinto tipo de nuestro cuadrado, que es lo que esperaba que enviara. |
| Nuevamente, el conjunto de prueba es siempre los mismos roles, es solo que estoy usando aquí. Ahora, el valor esperado versus mi margen. Mucho. entonces el problema es |
| Si no tienes cuidado allí. Puede calcular el chico equivocado r al cuadrado. |
| Así que lo que hago es, siempre que tengo aquí. Y si tuviera que mezclar modo efecto. No uso nada de lo que está en este informe, todo lo que hago es guardar las columnas aquí. Guardé mi |
| Granja de predicción de la derecha del modelo marginal aquí ha guardado la fórmula de predicción del modelo condicional a la derecha y crearé columnas con este sin forma que es para el modelo de efecto de mezcla. Ahora para el |
| Cerca de eso o también puede guardar las fórmulas. Me gusta decir fórmulas festivas, porque solo quiero calcular nuestros cuadrados. Así que me guardé como fórmulas rápidas y luego lo que ves cuando creo estas cinco columnas aquí. |
| Muy bien, déjame ir con ellos. |
| Así que ahora mi tipo A, si recuerdas a Taipei de la presentación aquí, tipo estoy comparando el por qué simulado ij versus mi cerca en ese modelo. Entonces lo que hago aquí. Lo siento, lo que hago aquí es |
| Voy a llamarles la info y lo ves aquí. Prediciendo qué y prediciendo dy AJ |
| Bien, aquí está. Ahora tengo aquí salva a De Niro y que del doble que hace el valor es igual a este valor. |
| Pero ahora solo cambiaría la predicción de lo que aquí. Esto es predecir el valor esperado. Correcto, de modo que la forma en que puedo usar esta fórmula está funcionando salta aquí, que es una comparación de modelos. Puedo ir a usar este tipo A y compro una simulación y crecí por validación. |
| Y luego lo que obtienes. Son todos los cuadrados del Dr. que necesitas |
| para ver desde |
| De la simulación uno |
| Todo hasta la simulación 30 y lo tiene configurado para que luego pueda combinar la tabla de datos y obtenga todo limpio, correcto, porque esos son cuadrados. Entonces, para los otros, también tengo un guión aquí, por ejemplo, para ser |
| Él era la fórmula de la paz. Ahora a la derecha en esta columna, y solo predije que establecería el r cuadrado para el conjunto de prueba, no para el modelado, no para el conjunto de validación. Entonces la simulación. Uno es un año. |
| Y luego, si vas hasta aquí, tienes la simulación 30. Y nuevamente, siempre puede combinar la tabla de datos y sus datos salen como el mismo formato de tabla para todos estos son cuadrados. |
| Y Daniel, obviamente puedo tener otra secuencia de comandos aquí para los cuadrados de fuego tipo co, elegimos el conjunto de modelado del modelo de efectos mixtos correcto y la simulación uno hasta el conjunto moderno hasta la simulación 30 y sabes que hacemos lo mismo. |
| Vea ahora en el conjunto de prueba, pero ahora estoy prediciendo por qué ij, correcto. Entonces, el, el, digamos, el secreto aquí es que tienes uno incluso a veces en el lago. Aquí nuevamente tengo la misma fórmula porque es mi modelo marginal de la |
| Solución de modelo de efecto mixto. Lo único que cambió es en tu columna yo por ti. Asegúrese de predecir qué y luego puede usar esto para calcular todos estos son cuadrados. |
| Está bien. |
| Déjame volver a la presentación y ahora que tengo todos esos cuadrados juntos, apilas tus tablas y luego puedes hacer la visualización, ¿quieres? |
| Pero aquí estoy realmente interesado en el conjunto de prueba condicional de ambas soluciones y lo esperado que dijo aquí, ya sabes, puedo pasar 45 minutos solo hablando de esta tabla que se muestra aquí. |
| Pero todo lo que no estoy realmente interesado en los valores absolutos de r al cuadrado, sino más bien en una forma comparativa de comparar nuestro cuadrado |
| Pero necesito días solo para verificar una cosa, como puede ver aquí cuando el tamaño de los datos aquí como puede ver |
| Ellos usan el puntero aquí. Hazlo más fácil. Tengo todos los son cuadrados. Creé aquí frente a todos los factores. Bien. |
| Así que ven que cuando tengo un pequeño conjunto de datos, lo que sucede es que estoy cerca y eso está siendo entrenado correctamente debido a mi entrenamiento. |
| Y mis conjuntos de validación tienen nuestra distribución cuadrada que se superpone. Pero luego, cuando observa el conjunto de prueba condicional, que en realidad son los datos que siempre tenemos correctos porque nunca tenemos el valor esperado. |
| Siempre está en el nivel inferior a la derecha, como ven todos estos cuando tengo este conjunto de datos pequeño, pero luego cuando tengo un conjunto de datos más grande. |
| La situación es diferente con 1000 roles, entonces todos están alineados, ya sabes, una especie de superposición. Así que los entrené correctamente. Nuevamente, el valor absoluto de nuestro cuadrado aquí no tiene mucho interés, lo que realmente les importa es cómo, ya sabes, si vuelves a |
| Una de las diapositivas anteriores aquí, ves que ahora quiero comparar. Verá, tengo que hacerlo, quiero que compare el rendimiento predictivo de mi modelo de efectos mixtos de referencia con mi red neuronal en comparación con ese cuadrado oscuro, ¿verdad? Entonces, aquí lo que obtienes. |
| Déjame conseguir este molde. Entonces, lo que obtienes aquí es nuevamente todos los verbos. tenía que hacer nosotros, y si ellos |
| Enfermedad y su solución neta o solución de efectos no mixtos. Entonces, ven eso para el conjunto de prueba condicional, que es la única parte en el rendimiento. Entonces, si está dentro durante eso, siempre sabe cuándo los tamaños de datos son pequeños. |
| El efecto de mezcla maltés siempre hace un mejor trabajo aquí cuando incluyes el |
| El efecto aleatorio correcto versus entonces eres y eso es porque siempre hay esto |
| Su mediana o incluso promedio son todos más altos, pero luego, cuando tiene un conjunto de datos más grande, entonces |
| Sabes que la diferencia ya no existe hasta cierto punto, que incluso el nuevo está haciendo un mejor trabajo aquí, pero ese es el rendimiento actual. |
| Ahora el verdadero. Ahora ve que el modelo de efecto mixto ha tenido un mejor trabajo que una escritura versus Internet |
| Y aquí no hay más, ya sabes, incluso motivos, ya sabes, porque al fin y al cabo, modelo de efecto directo. Está haciendo un mejor trabajo, especialmente en este escenario aquí, que es big data big data. |
| Últimos conjuntos o variabilidad y más entre den con invitados ahora mismo encuentra esas líneas que tengo aquí va a hacer esto va a hacer para cada ejecución de simulación va a hacer la diferencia entre el efecto de mezcla. |
| R cuadrado contra el año nuevo y que son cuadrados. Así que, aquí vamos. |
| Aquí tengo cuatro gráficos correctos, así que concentrémonos en uno, lo que tienes en el eje y es el cuadrado del aire acondicionado. Luego mezcle menos la diferencia en el cuadrado del acondicionador, lo siento, el |
| El efecto de mezcla r al cuadrado menos entonces estás en ese cuadrado. Entonces, eso es lo que obtienes aquí, y esa es la diferencia en un patrón para el desempeño futuro. |
| Y aquí en el eje x, lo que tiene es esta diferencia en el cuadrado R esperado, elegimos su desempeño futuro real, derecho o sesgo. Si quieres |
| Ahora tengo cuatro bloques. Por qué, porque si piensas en eso cuando tienes datos históricos donde no tienes la tecnología, sabes, |
| Ya sabes, si estás analizando los datos, posiblemente solo tengas control sobre dos cosas, que es el tamaño de los datos y el tamaño relativo del lote. |
| Por qué, porque no puede controlar cuál será la variabilidad en sus datos. Y si tus efectos aleatorios van a ser mucho más grandes que tu aire aleatorio. Así que las únicas dos cosas que posiblemente puedas |
| Tenga algún control sobre el tamaño de los datos y el tamaño relativo del lote. Si no tiene la etiqueta, al menos puede tener una idea si, ya sabe, usa sus datos históricos. |
| Debe estar compuesto por muchos, muchos dormitorios, solo uno o dos lotes. Bien. Así que ese es el tipo de control que tienes |
| Al menos puede tener una idea del tamaño del lote cuando tenga datos estadísticos. |
| Entonces, lo que estoy comparando aquí, nuevamente, tengo la diferencia en el problema de rendimiento aparente, solo diferencias positivas, significa que el modelo de efectos mixtos tiene un mejor rendimiento. |
| Si esta diferencia aquí también es positiva. Significa ese efecto de mezcla como un mejor desempeño futuro, correcto. |
| Y como puede ver aquí cuando tiene un pequeño conjunto de datos. No importa lo que hagas. |
| Y el modelo de efecto de mezcla tiene un mejor rendimiento y, a veces, mucho mejor porque vendrá, hablando de diferencias en R al cuadrado, que pueden ir mucho más allá. |
| Correcto, así que está obteniendo un rendimiento mucho mejor si lo haces en uno o en el futuro. Entonces, cuando el tamaño de los datos es pequeño, realmente no hay |
| No, no hay solución aquí. Sin embargo, cuando observa el tamaño de los datos, los datos son más grandes, pero cuando tiene esta pequeña cantidad de lotes. Bien. |
| Aquí sucede algo divertido porque aquí en adelante, la diferencia es que el eje Y de rendimiento futuro de financiación suficiente es negativo, la mayoría de ellos. |
| Lo que significa que está cerca y que hacer un mejor trabajo en términos de patente en el conjunto de prueba Tahrir Square derecho o condicional |
| Toca ese cuadrado oscuro. Entonces, cuando lo hagas. Quién va a lucir como la nueva orina. Eso sería un gran trabajo mejor que |
| El modelo de efecto mixto. Sin embargo, cuando observa el lote del eje x, correcto, que es la diferencia en el rendimiento futuro real, puede ser bastante engañoso. |
| Correcto, así que aquí tienes muchos datos, pero solo unos pocos lotes, ya sabes, obtendrás una buena prueba, el conjunto de prueba son cuadrados. Pero luego, cuando intente implementar su molde en el futuro. |
| Puede meterse en problemas. Pero luego, cuando miras aquí. Aquí tenemos una situación de mitigación en la que tiene muchos datos y muchos lotes. Así que tienden a no ser muy diferentes. Bien, entonces |
| Como conclusión, debe usar un aprendizaje automático de efecto aleatorio no despreciable cuando el conjunto de datos es pequeño, ya sabe, el rendimiento predictivo del conjunto de prueba probablemente será deficiente. |
| Independientemente, cuántos grupos de lotes tiene. Y eso se debe a que el aprendizaje automático requiere el tamaño mínimo de datos para tener éxito. Bien. entonces no hay |
| No hay manera de ganar el juego aquí. Ahora, cuando el tamaño de los datos es grande y solo tiene unos pocos clústeres. Y esa es una situación engañosa porque su conjunto de prueba predice que el rendimiento puede ser bueno, pero el rendimiento, probablemente seríamos Brewer más tarde cuando implemente el modelo. |
| Algunas personas me dicen, Bueno, ¿por qué no usas la regularización? Dijo que incluso si lo harás, no lo harás en estas situaciones porque |
| Su conjunto de prueba R cuadrado va a ser bueno, pero luego no sabe que lo necesita correctamente, por lo que no podrá saberlo. |
| Ya sabe, cuál es su rendimiento futuro a largo plazo, simplemente mirando sus pruebas en el cuadrado oscuro o algún tipo de error. |
| Pero luego, cuando su conjunto de datos es grande, tiene muchos grupos por día y toda la situación se mitiga y el efecto de sesgo del tipo más cercano se promedia porque cada efecto aleatorio, ya sabe, la suma de todos ellos. |
| es cero Entonces, cuanto más tenga, lo último que pueda obtener |
| Además, solo quería decir que uno que aprendió lo que aprendí de eso es que cuando los datos no están diseñados a propósito, hay dos cosas que siempre recuerdo |
| Machine Land no puede abordar los datos solo porque son grandes. Tienes que tener un nivel mínimo de derecho de diseño para que funcione. |
| Pero cuanto más grandes son los datos, más probable es que el nivel mínimo de diseño ya esté presente en los datos por pura casualidad. Está bien. Y gracias, si quieres contactar con nosotros. Estamos en la comunidad de salto. Estas son nuestras direcciones. Gracias. |
