Was hat Sie zu dieser Wish List-Anfrage inspiriert?
Gestern habe ich an einem Seminar über Entscheidungsbäume und Beispiellernen für Anfänger teilgenommen, das vom Institute of Statistical Mathematics in Japan abgehalten wurde. Dozent ist Prof. Icihgaku Takigawa. Er verwendete in seinem Seminar ausschließlich Python.
Es gibt drei Methoden, die mich interessieren, aber nicht in JMP Pro implementiert sind.
Den dritten davon habe ich hier eingetragen.
Bitte beschreiben Sie die neue oder verbesserte Funktion oder Lösung, die Sie sehen möchten.
Eine Option zur Berechnung der Vorhersagegenauigkeit (auch bekannt als Unsicherheitsquantifizierung) für Random Forest oder Boosted Trees.
Welchen Wert hätte es für Sie und/oder andere Benutzer, wenn diese neue Funktion bereitgestellt wird?
Manchmal möchten wir sowohl die Vorhersagegenauigkeit als auch die Punktvorhersage sehen. Diese Funktion kann Benutzern helfen zu wissen, wie groß die Vorhersagevariabilität ist.
Handelt es sich um eine externe Kundenanfrage?
Gibt es ein konkurrierendes Softwarepaket mit dieser Funktion oder Lösung, die wir kennen sollten?
Die Berechnung von Standardfehlern für Vorhersagen in Random Forest ist einfach. Bitte sehen Sie sich die Funktion _return_std auf der folgenden Seite an.
https://scikit-optimize.github.io/stable/_modules/skopt/learning/forest.html
Es ist sehr kompliziert, Standardfehler von Vorhersagen in Boosted Trees zu berechnen. Prof. Takigawa stellte MAPIE vor, aber ich habe die Informationen nicht befolgt. Die URL der Homepage von MAPIE lautet wie folgt.
https://mapie.readthedocs.io/en/latest/index.html
Wird sich dies auf eine Verlängerung, Erweiterung oder Einführung bei einem Kunden auswirken, und gefährdet dies ein Konto, wenn wir uns nicht darum kümmern?
Dies wird nicht von Benutzern angefordert.
