시나리오: 검증 데이터를 사용하여 라소 페널티를 조정하고, 이제 최적화된 페널티 항을 지정하여 모든 데이터(훈련 데이터 + 검증 데이터)를 다시 맞추려고 합니다.
일반화된 회귀 플랫폼 내에서는 그렇게 할 방법이 보이지 않습니다. 여기서 권장하는 것은 무엇입니까?
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
