揚聲器 | 成績單 |
| 法比奧·德奧塔維亞諾 | 好的，謝謝大家在這裡觀看這個視頻。 好吧，因為你可以看到，我將談論機器學習中缺失的隨機效應。 |
| 這是與我的同事 Joe Young 一起工作的想法，我們都在陶氏化學公司工作，在韓國工作，幫助您了解有效開發新工藝，主要是新產品。 |
| 你在這個屏幕上看到的是一個大賓果籠，因為我們在這裡的談話將是關於模擬和模擬至少對我來說有很多事情要做。 |
| 對於賓果遊戲，因為您決定了在大型場合中球和數字的分配，然後您就可以隨心所欲地挑選它們。 好的。 |
| 這個談話也跟出版有關，我們剛才說了。 |
| 最近，什麼同名的，你可以贏得你應該訪問此演示文稿的內容，你只需單擊此處即可訪問整篇論文。 所以這裡只是對我們在那裡發表的內容的總結。 |
| 好的，這是什麼背景。 好吧，首先，機器學習對知識會話有一種即插即用的吸引力。 |
| 我知道你不必假設任何有吸引力的東西。 此外，這些天你有一個非常用戶友好的軟件。 所以，你知道，現在人們喜歡這樣做。 |
| 但是，您知道，隨機效果無處不在，運行這些效果是一件有趣的事情，因為它是一個稍微複雜一點的概念。 所以它往往不是 |
| 觸摸基礎統計課程顯示更高級的主題。 所以你會得到很多人在沒有對隨機效應有太多了解的情況下進行機器學習。 |
| 即使他們有這種理解，那麼隨機事實的概念 |
| 你知道，仍然沒有引起人們對機器學習的大聲疾呼，因為只有少數算法可以使用隨機效應來做到這一點。 |
| 你可以在這裡查看這些參考資料，在那裡你看到有一些樹木和隨機森林，它可以接受，但最近它們並沒有，你知道，傳播 |
| 到處。 所以你將很難找到可以處理機器學習中隨機效應的東西。 |
| 只談一點隨機效應。 正如您在這裡看到的，至少在我來自的化學工業中是這樣。 我們通常混在一起。 我說三個組成部分。 正確的。 這些黃色、紅色和綠色。 |
| 我們，你知道，我們將這些組件中的每一個的百分比設置為不同級別。 然後我們測量了我們改變它時的響應，這些組件與特定設備的百分比，有時你甚至有操作員或實驗室技術人員會 |
| 也乾擾你想看到的結果。 好的。 然後，當我們進行此類實驗時，我們想要概括的是，正確的發現或任何預測。 我們正在努力到達這裡。 |
| 但問題是你知道我什麼時候在這裡混合這些綠色成分。 如果我下次從供應我這個綠色組件年的供應商那裡購買 |
| 綠色的陰影，你知道，非常，我不知道下次我購買這個綠色組件時是什麼批次。 那是供應商給我的是完全相同的綠色嗎，因為供應存在差異 |
| 最重要的是，您知道我可能會根據您使用某種設備的經驗。 但是如果我去我的實驗室四處看看，或者如果我在其他實驗室四處看看，我可能會有不同品牌的這些設備。 |
| 在上面。 你也有，你知道的，也許食物的測量取決於正確地做這件事的操作員，所以你也可能會干擾並且有點使我的貧困 |
| 在這裡預測我的概括 |
| 除了在這裡做我想預測的任何事情 |
| 這是化工行業我猜的最典型的，就是實驗 實驗批次可變性 |
| 如果你一遍又一遍地重複同樣的事情，時間就會過去。 |
| 假設你在這裡做了一個實驗，你得到了你的模型，你的模型可以預測一些東西，但是你重複那個實驗，讓另一個 Malden 得到另一個模型，這三個模型的預測。 |
| 現在可能有很大不同。 尼克清晰可辨。 所以，還有時間的成分。 |
| 那麼我在這裡談論的問題是什麼。 好吧，通常你我們已經存儲了數據和歷史數據，你知道，你知道的，你過去所做的一些數據的集合。 |
| 人們並不太關心推廣該結果。 當時他們做那個實驗的結果。 所以當我們收集它們並將其稱為歷史數據時，我們可能有也可能沒有隨機效應的標籤，對吧。 |
| 然後，如果您有文字，那至少是我來自的地方。 這更像是一個例外，規則是對我的事實不徵稅，至少不是對所有事實徵稅。 |
| 假設您有標籤。 您可以做的一件事是使用可以處理這些隨機效應的機器學習技術，將它們引導到模型中。 就是這樣。 你沒有問題。 |
| 但是，正如我所說，麻木的機器學習技術並不能很好地阻礙隨機效應。 您可能想使用機器學習。 |
| 讓隨機效應進入模型，就好像它們是固定的一樣，然後你會遇到這些你知道的眾所周知的問題，你應該把隨機效應當作這個固定的 |
| 只是說一件事，你將很難預測任何新的一切，因為，例如，如果你的隨機效應是歐洲的，你只有幾個 |
| 您的數據中的操作員，對，有幾個名字，但是如果有新的操作員在做幾天，您就不會。 您無法預測這個新運算符的效果。 所以，這裡沒有交易 |
| 然後你可以做一件事。 你做。 你應該有或你不應該有稅收我們再次犧牲給我們任何機器學習技術。 |
| 如果你有隨機的，你應該有你忽略隨機效應的標籤，或者如果你沒有。 無論如何，您將忽略它。 不管你喜不喜歡。 所以我想做的是少模擬射擊遊戲。 我們使用跳繩釣魚。 |
| 你知道，我希望你喜歡結果。 |
| 模擬，基本上。 因此，我將使用具有固定效應和隨機效應的混合效應模型。 然後我們使用相同的模型來估計 |
| 有了響應這個做模型之後我模擬也建模，我這裡用神經網絡模擬的結果對 |
| 那麼我們這裡用這個模型作為這裡這個模型的預測性能。 |
| 作為基準，我們用它來預測邊緣附近的性能，你知道，稍後比較他們將他們的測試集設為正方形，看看會發生什麼。 你發現這裡符合隨機效應，對吧。 |
| 那麼好吧。 有時，當我談論這些人時，有時我會認為我是在將線性混合效應模型與機器學習神經網絡進行比較。 事實並非如此，你知道，我們在這裡比較有隨機效應和沒有隨機效應的模型。 |
| 即使數據中存在隨機效應。 我可以。 例如，一個 |
| 具有運行效果的線性模型與不帶效果的線性模型。 |
| 我可以做一個有隨機效應的神經網絡，而不是沒有隨機效應的尿液。 但問題是，今天毫無疑問，例如，可以處理隨機效應。 所以我強行使用了。 例如，所有的線性混合效應 |
| 我的模擬因素。 好吧，我將使用行業中典型的東西，它是過程變量模型的混合體。 |
| 假設我有這三個組件。 我之前給你看過。 知道黃色、紅色、綠色，他們有一定的百分比，他們達到了 1。 |
| 有一個連續變量，例如，可以是溫度。 我有一個可以是資本主義類型的分類變量，我有一個隨機效應，從一批到另一批實驗可能非常醜陋。 好的。 |
| 仿真模型。 好吧，這是一個非常簡單的，我在這裡有我的混合主要效果 M 1 M 2 和 3。 正確的。 您會在整個模型中看到固定效應都為 1 或負 1。 我只是隨機給他們分配了一減一。 |
| 所以我有混合主效應。 在這裡，我有兩種方式的混合物相互作用，混合物的相互作用將是連續變量。 |
| 以及分類變量與成分的相互作用。 最後，引入連續變量和分類變量。 |
| 另外我有這些，為什麼我們在這裡選擇我的隨機效應和 Ej，這是我的隨機誤差。 正確的。 並且兩者都服從正態分佈，這裡有一定的方差。 我說過，更好的實驗之間的方差，對，並且在實驗批次的匹配中使用差異。 |
| 從整個演示文稿來看，只是為了讓整個公式代表一種形式，我說的更簡潔，或者使用這種形式，英雄 X 實際上代表所有修復效果和測試版 |
| 代表我使用的所有參數。 正確的。 我為什麼在這裡。 其實，意料之中。 為什麼實際上 XP 是正確的，它是整個事情，沒有我在這裡的隨機影響，我們處理了我的雷諾市長。 |
| 仿真參數。 好吧，我這裡有一個是數據大小，對，就是她的那個。 如果我沒有那麼多數據會發生什麼 |
| 更多的數據層和更多的數據在這裡我有兩個級別 110,000 個角色在每組實驗中實際上有 20 行比 200 行完美效果。 我要改變的另一件事是 D 決定集群的徽章，無論您喜歡什麼。 |
| 有時會。 它是，我有兩個級別 4% 和 25% 所以 4% 意味著如果我有 100 卷這些一批經驗，我們將 |
| 實際上是為了角色。 所以我將有 2525 個批次。 如果我的批次大小總共有 100 卷 25%，而我只有四批。 |
| 然後我們在這裡改變的另一個變量將是總方差。 正確的。 |
| 好吧，我們這裡有兩個級別，點，5 和 2.5 是效果大小的一半可供選擇。 所以這裡的公式。 都是固定效果的。 |
| 另一個是寫這個總方差的總和是我的批次之間和批次內方差的總和。 正確的。 最後，我要改變的另一件事是兩者之間的比例非常 |
| 相似的片段。 正確的。 所以我有一個和四個。 所以在我的一個 |
| 批次之間的差異將等於獲勝，而另一個將比獲勝大四倍 |
| 然後，一旦我安頓下來是為了 |
| 這裡有四個因素。 我說參數，然後你做一個全階乘，我們有 16 次運行嗎？ |
| 兩個級別的數據大小 兩個級別的批量大小 兩個級別的總方差 Angelo's 是沙漠。 |
| 有了它，我可以相應地在段內計算它。 正確的。 這就是模擬設置。 好的。 現在，我稱之為模擬超參數，因為你可以像我們一樣改變 |
| 我會做什麼，我會在演示中向您展示。 這將是 30 個模擬風險，或者我們運行。 所以我所做的 16 次中的每一次都是每次跑 30 次。 正確的。 所以，例如， |
| 我將模擬運行 123 直到臟和固定效果。 的，難度級別的影響。 我用的是空間感設計。 |
| 我之所以使用這種空間填充設計，是因為不想混淆那裡缺失的影響，然後影響可能我有一些調用慈善或稀疏數據的事實。 |
| 這是歷史數據中的典型事物。 正確的。 我不想在我的過程中出現這種情況。 我想，我更喜歡我們傳播的設計和空間感設計 |
| 輸入空間中固定效應的水平。 因此，如果我擺脫了稀疏命中數據的問題或清理了奇怪的權利，然後我們分配給批次，我們隨機化批次，在第一輪中交叉運行，然後使用相同的批次 |
| 所有其他 29 次運行的序列。 所以所有的運行，我們有同一批的位置。 |
| 在晚。 最後，所有聖誕老人的位置都將在每次模擬運行中隨機化。 所以讓我離開空中開始跳躍。 |
| 所以他會做的是，我曾經做過我們特殊目的的溢出設計。 我會在這裡加載我的因素只是因為我想在這裡快點。 所以無論如何，這裡有我的 12345 固定效果。 |
| 空間感設計不接受變量的混合。 所以你需要設置 |
| 這裡的線性約束只是為了告訴你看看這三個人，需要加起來為一個。 這就是我要做的。 |
| 好吧。 |
| 因此，滿足該約束將給出此 d 的第一次運行的示例，這是我的數據大小 100 相對批量大小 4% |
| 總變異總變異點五，比率將是一。 因此，如果我回到這裡並需要放置，我需要生成 100 次運行。 另外，如果我想複製這個理論，你必須正確設置隨機種子和開始次數 |
| 那麼當我說約束時，我唯一的選擇就是快速靈活的填充設計。 我們開始吧，我在這裡得到了正確的表格，所以你可以包括這張表格。 |
| 你看到的一件事是，如果你使用三元組塊並且你使用你的三個組件。 你看到一切都展開了。 哎呀。 |
| 我這裡有一個問題，她 |
| 沒有 |
| 讓我回去。 約束有問題，是的。 我忘記了這裡的那個。 是的。 |
| 好吧，讓我們重新開始吧。 百 |
| 放 |
| 隨機座位21234 |
| 和數字開始。 偉大的。 |
| 下書感作表。 是的。 然後我只需要檢查它是否全部展開。 |
| 並找出答案。 是的。 好吧，那麼我在這裡查看我的分類變量。 我想看看它是否傳播給所有人。 如您所見，一和二。 偉大的。 現在我說讓我關閉我們所做的所有 30 次模擬。 所以這是一個模擬權利。 我有 100 個角色。 |
| 但現在我需要做 30 次。 所以我要做的是在這裡添加角色。 |
| 2900 |
| 在最後 |
| 我們只選擇這前 1000 次運行，抱歉 100 次運行所有變量，一年。 |
| 並摸到桌子的盡頭。 偉大的。 所以現在我重複相同的設計 30 次 |
| 現在， |
| 為了讓它更快只會打開。 不過，我又在使用這張桌子了。 只需使用另一張桌子到我已經設置好要顯示的所有內容的地方。 |
| 所以，是的，我已經回到這張桌子上了。 接下來我要做的就是在這裡創建一個模擬列來告訴你看 |
| 有了這個公式。 我可以告訴你模擬最多 100 行，這個模擬一個，然後每一百你改變模擬數字。 所以在一天結束時，我顯然得到了 30 次模擬和 100 次滾動。 每一個偉大的 |
| 然後批處理位置，只是為了解釋他們做了什麼。 我剛剛在 PowerPoint 中展示了這一點。 我有一個農場。 現在您將創建兩個批次，大小為總數據大小的 4%，這意味著我這裡每批次有四行而不是四行，依此類推。 而一旦 |
| 我在這里達到 100，我正在從模擬中跳出來。 想要模擬就得從頭再來。 正確的。 所以我在一天結束時。 |
| 所有 25 批次都在這裡。 好的。 |
| 然後我要做的下一件事是創建我的驗證 |
| 列，這意味著我需要正確拆分集合 |
| 回到這個演示。 回到這裡的 PowerPoint，你會看到我將要創建的解決方案，但我擁有的神經元 |
| 劃分角色，其中 60% 屬於訓練集，20% 屬於驗證集，另外 22% 屬於測試集。 那麼，在那種情況下我該怎麼做，再次回到約翰 |
| 我們開始了。 讓我隱藏這個 |
| 好的，下面就來驗證驗證吧。 我怎麼做。 它已經在那裡了，但不要解釋你是怎麼做的，你去分析 |
| Make validation column you use your simulation column has a certification,你去然後你就做 |
| 點 6.5 2.2 和用戶隨機種子在這裡只是為了確保你看到這就是我正確創建該列的方式 |
| 然後，如果我回到這裡的演示。 |
| 所有屬於新年訓練集的 60% 和屬於新一年訓練集的那 10% 到 20% |
| 也屬於近網的驗證集。 現在它們都屬於一個稱為混合效果建模集的集合。 所以混合效果。 |
| 模型，不會有任何驗證。 剛剛估計了具有這 80% 的模型和混合效應解決方案的測試集，這將與我在新年使用的解決方案相同的 20%。 所以在那種情況下，我回去跳 |
| 去這裡 |
| 很高興聽到公式，其中您知道零意味著神經網絡的驗證為零意味著訓練所以訓練，繼續訓練。 |
| 一是驗證設置將成為我的建模，二是我的測試集，它也將成為我的測試集。 所以我創造了這些然後你 |
| 所有標籤的列名稱零將成為建模，一個將成為辦公桌，這樣你就可以在這裡看到他在這裡說的任何東西，但是你正在緊張的驗證變成了建模然後最後我需要設置我的回應公式。 |
| 所以對於我模擬的預期值。 我只是在這裡修復效果公式，這裡沒有隨機項。 好的。 這就是我對我妻子和我妻子 ij 的期望值 |
| 這個和你看看你有 y 的公式，這是我的期望值加上這裡我有一個用於生成的公式 |
| 一個隨機的 |
| 值服從均值為零且介於 sigma sigma 之間的正態分佈 |
| 西格瑪之間。 我喜歡在這裡設置變量並作為表變量，因為我可以在一周後更改值而無需使用公式。 但無論如何，每次更改批號時都會生成一個值。 所以如果我的批次是 |
| 當我將它更改為 22 時，這將是相同的值，它會創建另一個值。 |
| 當我從一個模擬切換到另一個模擬時，你也是。 所以我將有一個值，每批 25 25 我們的模擬一個，然後當我跳到模擬的第一個批次時，它會創建另一個值。 |
| 正確的。 這只是我在桌子上設置的帶有 sigma 的正常隨機數，對吧。 所以看到一些複製我們運行的交易我有 sigma 05 和 05 |
| 好吧，那麼現在我在這裡有了混合效果模型模擬的解決方案，讓我回到這裡向您展示我在做什麼。 |
| 例如，對於混合效應模型。 我的模擬模式是這樣的，但我的腳那個模型會出問題可能是分析是帽子。 |
| 而我的小貝在這裡要被黑了，對吧。 所以，這是我們的海灘，以滿足我模擬的任何值 |
| 然後在混合效果模型中。 我不得不少一個預測模型。 一個是我使用時的擬合條件模型 |
| 當我不這樣做時，我對隨機效應的估計和另一個是我的邊際。 正確的。 所以我有這兩種類型的模型。 |
| 這很好地預測了我已經在數據中擁有的東西。 這是我用來預測周圍數據的東西 沒有完整的數據集，對吧。 |
| 對於新的一年，我正在使用一種標準的默認類型，即接近、結束和跳躍，你知道我使用它不僅僅是因為它很困難，因為他幾乎可以工作。 |
| 您在這裡擁有所有五個固定效果。 我使用了一層，三個節點都是雙曲正切函數，你可以在這裡看到 |
| 然後這裡有一個名為 hx 的函數，它是區域函數的總和，加上這裡的偏置項，對吧。 |
| 所以如果我添加更多節點。 它不會讓它變得更好。 你發現只使用兩個節點然後它變得更糟。 所以我要全部使用它。 這就是我要在這裡向您展示的內容。 |
| 我的節目 哎呀。 好的。 |
| 展示。 |
| 我回去給你 所以 |
| 在這裡，我有我的 |
| 混合效應模型解決方案。 我是怎麼想出來的。 只是為了給你看。 我在這裡有我通過模擬對混合效果進行驗證驗證的響應。 |
| 我一年所有的固定效應和我的隨機效應都是我的批次正確，然後是第一次模擬的遺傳。 你看到模擬一個，它一路走模擬土耳其權利 |
| 例如，我不能在此處使用模擬跳轉功能，因為我要更改每個批次的驗證列，所以我不能，至少我不知道該怎麼做，如何將驗證列合併到的公式 |
| 我白G。 |
| 和。 好的。 所以，哎呀，回到這裡，然後現在我在這裡有另一個腳本，你在其中需要一點時間 |
| 應該不是什麼大問題。 |
| 例如，當我在做的時候。 |
| 運行你運行。 我們每次模擬有 1000 行，可以隨時學習課程，大約 10 到 15 分鐘 |
| 在這裡同時進行聽覺模擬應該拋出一些 |
| 和 |
| 我們開始了。 |
| 好吧，我再說一次，我的如果你看他們每個人都有五個三個音符，好吧，你有一個模擬 1 到模擬 30 |
| 正確的。 所以現在我已經完成了我一年中運行的所有工作，對，所以接下來我需要了解的是我們的方塊類型。 我要比較一下 實際上有 |
| 這裡有五種類型的正方形，對，所以這是 r 平方公式。 為什麼，為什麼我在這裡按類型區分 di 方塊，因為這取決於您使用這個實際值還是在此公式中預測值。 |
| 你知道你的平方變化。 例如，我在這裡。 哦，這些是 r 平方或比較的類型 |
| 例如，The Rosa 轉動訓練集。 我在這裡模擬的內容與我為神經網絡得到的形式，因為當你在其中時。 你知道，這實際上是 |
| 例如，在所有這三個案例中都是同一件事，因為我正在比較我妻子和我妻子的帽子是一樣的。 所以我有類型八 |
| 然後我有另一種類型的調用它類型是我比較的地方。 我沒有，我沒有將模擬值與 |
| 隨機誤差項中的隨機效應我正在比較我的模擬的預期值與它們的形式 |
| 所以這些讓我發送到測試集的規則總是一樣的，就像你計算 r 平方的方式會改變，因為在這裡是這樣的。 |
| 當我擁有所謂的條件測試集時。 我看到母公司未來的表現，因為當你有任何數據集時，這正是我們得到的，因為我們無法告訴真實的 |
| 我們沒有你需要模擬的真實模型然後你有預期的測試集，它實際上是同一朵玫瑰，但現在我正在比較 |
| 期望值。 我可以說沒有更好的詞，真正的未來表現。 因此，表觀表現不一定是未來的真實表現。 好的。 |
| 對於混合效果模型是一樣的。 現在我有另一種類型的 r 平方，因為在這裡我將模擬值與我的值進行比較 |
| 這裡有條件預測農田和使用估計來對隨機效應有影響，但是當我想預測未來的時候。 所以，好吧，這裡沒有人打破測試集的兩個條件，我這裡有另一個方塊 d，它正在比較 I 的整個模擬值 |
| 為什麼 ij 與我的邊際模型在這裡。 我沒有使用 be here right 和 Leslie 來使用我們的方塊的第五種類型，這是我期望的 |
| 同樣，測試集始終是我在這裡使用的相同角色。 現在，預期價值與我的保證金。 很多。 所以問題是 |
| 如果你在那裡不小心。 你可能會計算錯誤的人 r 平方。 |
| 所以我所做的是，只要我在這裡。 如果我必須混合效果模式。 我不使用此報告中的任何內容，我所做的只是保存此處的列 我保存了我的 |
| Marginal model right prediction farm 在這裡你已經保存了條件模型的預測公式，我將使用這個用於混合效應模型的無形式創建列。 現在為 |
| 在那附近，或者您也可以保存公式。 我喜歡說最重要的公式，因為我只想計算我們的平方。 所以我被保存為快速公式，然後你看到我在這裡創建這五列。 |
| 好吧，讓我去找他們。 |
| 所以現在我的類型 A，如果你記得這裡的演示文稿中的台北，請輸入我在該模型中比較模擬的 why ij 和 my near。 所以我在這裡做什麼。 對不起，我在這裡做的是 |
| 我去稱他們為信息，你在這裡看到。 預測什麼和預測dy AJ |
| 好的，就在這裡。 現在我在這裡拯救了德尼羅，並且從兩倍於他的價值等於這個價值。 |
| 但現在我只想改變這裡的預測。 這是預測期望值。 是的，這樣我就可以使用這個公式了 |
| 然後你得到了什麼。 這就是您需要的所有方塊 |
| 從中看 |
| 從模擬一 |
| 一直到模擬 30，你已經有了它，所以你可以稍後組合數據表，你會得到所有的東西，對，因為那些是正方形。 所以對於其他的，我也在這裡編寫了腳本，例如 |
| 他是和平公式。 現在對這個專欄，我只預測為測試集設置 r 平方，而不是為建模，不是為驗證集。 於是模擬。 一個是一年。 |
| 然後，如果你一直走到這裡，你就會得到模擬 30。 同樣，您始終可以組合數據表，並且您的數據就像所有這些都是正方形的相同表格格式一樣。 |
| 丹尼爾，很明顯，我可以在這里為共火方塊類型準備另一個腳本，我們選擇正確的混合效果模型和模擬模型集，一直到現代集到模擬 30，你知道做同樣的事情。 |
| 現在在測試集上看，但現在我在預測為什麼 ij，對。 所以，這個，說，這裡的秘密是你有時甚至在湖里也有一個。 在這裡，我再次使用相同的公式，因為它是我的邊際模型 |
| 混合效應模型解決方案。 唯一改變的是你的專欄 me for you。 確保你已經預測到了什麼，然後你可以用它來計算所有這些都是正方形。 |
| 好的。 |
| 讓我回到演示，現在因為我把所有這些都是正方形放在一起，所以你可以堆疊你的表格，然後你可以進行可視化，你想要 |
| 但在這裡，我對這兩種解決方案的條件測試集和此處所說的預期非常感興趣，你知道，我可能會花 45 分鐘來討論這裡顯示的表格。 |
| 但是我對 r 平方的絕對值並不真正感興趣，而是比較比較我們的平方的一種方式 |
| 但我需要幾天時間來檢查一件事，正如你在這裡看到的，當你看到這裡的數據大小時 |
| 他們在這裡使用指針。 讓它更容易。 我有所有的正方形。 我在這裡創造了所有你做的因素。 正確的。 |
| 所以你看，當我有一個小數據集時，會發生什麼，我是我的近親，因為我的訓練，它得到了正確的訓練。 |
| 我的驗證集有點像我們的正方形分佈重疊。 但是當你看條件測試集時，它實際上是我們總是正確的數據，因為我們從來沒有期望值。 |
| 當我有這個小數據集時，它總是處於較低級別，正如你看到的所有這些，但是當我有更大的數據集時。 |
| 1000 個角色的情況不同，然後所有角色都對齊，你知道，有點重疊。 所以我確實正確地訓練了這些。 再一次，我們這裡的廣場的絕對價值沒有太大的興趣，他們真正關心的是如何，你知道，如果你回到 |
| 這裡是一張較早的幻燈片，你看，現在我想比較一下。 你看，我必須，我想讓你比較我的基準混合效應模型與我的神經網絡的預測性能，以測試那個黑暗方塊，對吧。 所以，這就是你得到的。 |
| 讓我得到這個模具。 所以你在這裡得到的又是所有的動詞。 我不得不做我們，他們是否 |
| 病與貴淨解或未混效解。 所以，你看到了條件測試集，這是性能的一部分。 所以如果你在那段時間裡，你總是知道什麼時候數據量很小。 |
| 當您包括 |
| 隨機效應與你相反，那是因為總是有這個 |
| 他們的中位數甚至平均值都更高，但是當你擁有更大的數據集時，那麼 |
| 你知道，在某種程度上，這種差異已經不存在了，即使是新的差異也只是在這裡做得更好，但這就是目前的表現。 |
| 現在是真實的。 你現在看到混合效應模型比契約與互聯網更好地工作 |
| 這裡沒有更多，你知道，甚至沒有理由，你知道，因為在一天結束時，直接效果模型。 他做得更好，尤其是在這種大數據大數據的情況下。 |
| 最後一組或可變性以及更多在 den 與受邀之間現在找到我在這裡要執行的那些行，這是為每個模擬運行將要執行的混合效果之間的差異。 |
| R 方形與新年和方形。 所以，我們開始吧。 |
| 這裡我有四個正確的圖，所以讓我們只集中一個你在 y 軸上的是空調正方形。 然後混合減去護髮素平方的差異，對不起， |
| 混合效果 r 平方減去你就在那個正方形裡。 所以，這就是你在這裡得到的，這就是未來表現模式的差異。 |
| 在 x 軸上，您所擁有的是我們選擇您的真實未來表現（正確或偏差）的預期 R 平方的差異。 如果你想 |
| 現在我有四個街區。 為什麼，因為如果您在沒有技術的情況下擁有歷史數據時考慮一下，您就會知道， |
| 你知道，如果你正在分析數據，你可能只能控制兩件事，即數據大小和相對批量大小。 |
| 為什麼，因為您無法控制數據中的可變性。 如果你的隨機效應比你的隨機空氣大得多。 所以你唯一可能做的兩件事 |
| 可以控制數據大小和相對批量大小。 如果您沒有標籤，您至少可以知道是否可以使用您的歷史數據。 |
| 應該由很多很多臥室組成，只有一兩批。 正確的。 這就是你擁有的那種控制 |
| 當您擁有統計數據時，您至少可以了解批量大小。 |
| 所以我在這裡比較的是明顯的性能問題差異，只是積極的差異，這意味著混合效果模型具有更好的性能。 |
| 如果這裡的差異也是積極的。 這意味著混合效應作為更好的未來表現，對吧。 |
| 當你有一個小數據集時，正如你在這裡看到的那樣。 你做什麼並不重要。 |
| 混合效應模型具有更好的性能，有時甚至更好，因為談到 R 平方的差異，它可以超越那些。 |
| 是的，所以他的表現要好得多，你可以把它投入到一個或未來的一個中。 所以當數據量很小的時候，真的沒有 |
| 不，這裡沒有解決方案。 但是，當您查看數據大小時，更大的數據面是正確的，但是當您擁有這麼小的批次時。 正確的。 |
| 這裡發生了一些有趣的事情，因為在這裡你知道足夠的資金未來表現 Y 軸的差異是負的，其中大部分。 |
| 這意味著在測試集 Tahrir Square 權利或有條件的專利方面做得更好 |
| 觸摸那個黑色的方塊。 所以，當你這樣做的時候。 誰會看起來像新尿液。 那會比 |
| 混合效應模型。 但是，當您查看 x 軸的很多部分時，這是實際未來表現的差異，這可能會產生誤導。 |
| 是的，所以當你有很多數據，但只有幾批數據時，你會得到很好的測試，測試集是正方形。 但是，當您將來嘗試部署模具時。 |
| 你可能會遇到麻煩。 但是當你看這裡的時候。 在這裡，我們有一個緩解情況，您有很多數據和很多批次。 所以他們往往沒有太大的不同。 對，所以 |
| 作為結論，當數據集較小時，您應該使用不可忽略的隨機效應機器學習，您知道，測試集的預測性能很可能很差。 |
| 無論如何，您有多少個批次集群。 那是因為機器學習需要最小的數據量才能成功。 正確的。 所以沒有 |
| 沒有辦法在這裡贏得比賽。 現在，當數據量很大並且您只有幾個集群時。 這是一種誤導性的情況，因為您的測試集預測性能可能很好，但是性能，我們可能會在稍後部署模型時成為 Brewer。 |
| 有些人告訴我，好吧，你為什麼不使用正則化呢？即使你願意，你也不會在這些情況下這樣做，因為 |
| 你的測試集 R 平方會很好，但是你不知道你需要它，所以你無法分辨 |
| 你知道，你的長期未來表現是什麼，只要看看你在黑方塊上的測試或一些錯誤。 |
| 但是，當你的數據集很大時，你每天都有很多集群，整個情況就會得到緩解，並且更接近的那種偏差效應會被平均掉，因為每個隨機效應，你知道，是所有這些效應的總和。 |
| 為零。 因此，您擁有的越多，越能獲得最新的 |
| 最重要的是，你知道，我只是想說，我從中學到的是，當數據不是故意設計的時，有兩件事我一直記得 |
| 機器領域不能僅僅因為數據很大就處理數據。 您必須擁有最低級別的設計權才能使其發揮作用。 |
| 但是數據越大，越有可能只是偶然地在數據中出現了最小級別的設計。 好的。 謝謝你，如果你想聯繫我們。 我們在跳躍社區。 這些是我們的地址。 謝謝。 |
