시나리오: 유효성 검사 데이터를 사용하여 올가미 패널티를 조정하고 이제 최적화된 패널티 항을 지정하는 모든 데이터(훈련 + 검증)에 다시 맞추려고 합니다.
나는 일반화된 회귀 플랫폼 내에서 그렇게 하는 것을 어쨌든 볼 수 없습니다. 여기서 추천하는 것은?
안녕 @미트만 ,
실제 기본 알고리즘이 무엇인지 확실하지 않지만 Lasso 모델링에서 수행되는 조정은 매우 제한적입니다. L1 페널티 적용. 중요하지 않은 요인을 줄이는 데는 꽤 좋지만 요인과 반응 사이에 다중 공선성이 있는 경우에는 그다지 좋지 않습니다. 명심해야 할 것은 교차 검증(검증 열 사용)을 사용할 때 알고리즘이 이를 사용하여 요인에 대한 추정치를 최소화하기 시작한다는 점입니다. 이는 알고리즘이 중요하지 않은 요인을 0으로 만들고 모델을 단순화하는 데 도움이 됩니다. 동일한 그리드 간격/간격 유형 및 페널티 비율을 사용하더라도 다시 실행하면 모델을 단순화하기 위해 다른 검증 방법을 사용하기 때문에 다른 모델이 됩니다. AICc 또는 K-fold를 사용하여 검증 열과 모델 적합성을 비교하려는 경우 생성하는 각 모델과 함께 적합 옆에 있는 빨간색 핫 버튼으로 이동하여 열 저장 > 예측 공식 저장을 선택할 수 있습니다. 그런 다음 모델 비교 플랫폼에서 다양한 모델이 응답에 얼마나 잘 맞는지 비교할 수 있습니다.
다른 생각:
1. 엘라스틱넷은 L1(올가미)과 L2(릿지) 페널티 방식을 모두 결합한 방식으로 고려해볼 수 있다. 두 세계의 최고 종류.
2. 요인 추정치에 대해 부트스트랩 또는 시뮬레이션을 실행하여 요인의 규모와 요인이 실제로 중요한지 여부를 결정할 수 있습니다. 추정치의 표준 오차와 크기를 비교하여 오차가 추정치 자체보다 큰지 확인하십시오.
3. 모델을 구축하는 중이라면 JMP의 다른 모델링 플랫폼을 살펴보고 어떤 모델이 더 잘 맞는지 확인하는 것이 좋습니다. KNN, SVM 또는 NN 모델은 실제로 예측 기능 측면에서 다른 모델보다 성능이 뛰어날 수 있습니다. SLS, GenLinReg 등과 같은 다른 모델링 플랫폼을 확인하십시오. 어떤 모델이 다른 모델보다 성능이 좋을지 결코 알 수 없습니다.
4. 교차 검증에 검증 열을 사용하는 경우 모델 성능에 영향을 미칠 수 있으므로 데이터를 훈련 및 검증으로 분할하는 방법을 고려할 수 있습니다.
5. 데이터가 DOE에서 제공되고 GenReg 플랫폼을 사용하는 경우 일반적으로 GenReg 플랫폼의 처음 5가지 추정 방법으로 제한하는 것이 가장 좋습니다.
도움이 되었기를 바랍니다!,
DS
내가 관심을 갖고 있는 시나리오는 고정 데이터 파티션(유효성 검사 열)을 사용하고 있고 벌점 회귀(올가미, 능선 또는 탄력적 그물에 관계없이)를 실행한 경우입니다. 이는 검증 데이터의 확장된 로그 가능성을 기반으로 솔루션 경로와 최적화된 모델을 제공합니다. 반환된 조정 매개변수는 조정 매개변수의 미리 지정된 값에서 추가 교육 데이터를 사용하여 업데이트된 모델을 (신속하게) 맞추는 데 사용할 수 있습니다. 전체 솔루션 경로를 생성하지 않고 올가미(또는 능선 또는 탄성망)를 실행할 수 있는 방법이 있습니까?
