기계 학습을 위한 샘플 크기 요구 사항JMP에 기계 학습 방법에 대한 샘플 크기 요구 사항이 있습니까?
JMP에는 적합한 모델에 맞는 많은 기계 학습 방법이 있습니다. 기계 학습 방법으로 모델을 맞추려면 몇 개의 샘플을 얻어야 할까요?
아니면 표본 크기를 요인 크기로 나눈 값에 대한 규칙이 있습니까?
표본 크기가 범주형 데이터 유형 요인 크기의 10배 이상인 것과 같은 것입니다.
어떤 제안을 해주셔서 감사합니다.
Re: 기계 학습을 위한 샘플 크기 요구 사항안녕 에릭,
이것은 내가 결정적인 대답을 줄 수 없다고 생각하는 또 다른 것입니다.
우선 모든 사람이 "머신 러닝"에 대한 동일한 정의에 동의하는 것은 아닙니다.
저에게 기계 학습의 중요한 부분은 홀드백 검증입니다. 사용자에게 홀드백 유효성 검사를 사용하려면 최소한 100개의 행이 필요하다고 말합니다.
2개 또는 3개의 예측 변수만 있는 경우 더 적은 수의 행으로 홀드백을 사용할 수 있습니다. 그러나 예측 변수의 수가 적기 때문에 기계 학습이 필요하지 않을 수 있습니다.
예측 변수의 수를 기준으로 행 수를 쉽게 말할 수 있다고 생각하지 않습니다. 필요한 행 수는 모델을 맞출 때까지 알 수 없는 시스템 동작의 복잡성과도 관련이 있기 때문입니다.
물론 더 적은 수의 행(k-fold, SVEM)으로 기계 학습 접근 방식을 적용하는 데 사용할 수 있는 다른 유효성 검사 방법이 있습니다.
참고하시면 좋을 것 같습니다 이 데모 사례 연구.전체 데이터 세트에는 4608개의 행이 있습니다. 예측 변수는 5개뿐이지만 다단계 범주형이므로 상당히 복잡한 시스템입니다. 무작위 샘플을 채취하여 기계 학습 방법이 기존 통계 모델링과 얼마나 잘 비교되는지 확인할 수 있습니다. 나는 엄격한 연구를 수행하지 않았지만 ML이 아주 작은 샘플(~150행)을 사용하는 표준 모델보다 더 나은 성능을 보인다는 사실에 놀랐습니다.
도움이 되기를 바랍니다.
필
Re: 기계 학습을 위한 샘플 크기 요구 사항나는 동의한다 @필_케이 . ML 및 AI 방법은 설명 모델이 아니라 예측 모델을 위한 것임을 기억하십시오. 추론은 목표가 아니므로 표본 크기는 고려 사항이 아닙니다. 또한 거의 모든 경우에 빅데이터가 관련되어 있으므로 추론도 무의미합니다. 개발된 메트릭을 사용하여 예측 성능을 교차 검증과 비교하십시오. 예를 들어, AICc는 아마도 여러 면에서 최고일 것입니다.
Re: 기계 학습을 위한 샘플 크기 요구 사항물론 나는 Phil과 Mark의 말에 동의합니다. 한 가지 추가로 생각하자면, 기계 학습을 통해 고객이 실제로 다중 회귀 모델(고차 항 포함 또는 제외)을 의미하는 경우 DOE 메뉴에서 평가 설계 옵션을 사용할 수 있습니다. 실제 오류 변형. 그렇지 않으면 Phil과 Mark의 지침을 따르십시오.
