¿Qué inspiró esta solicitud de lista de deseos?
Ayer asistí a un seminario sobre árboles de decisión y aprendizaje de ejemplos para principiantes organizado por el Instituto de Matemática Estadística de Japón. El instructor es el Prof. Icihgaku Takigawa. Usó solo Python en su seminario.
Hay tres métodos que me interesan, pero que no están implementados en JMP Pro.
Entré en el tercero de ellos aquí.
Describa la función o solución nueva o mejorada que le gustaría ver.
Una opción para calcular la precisión de la predicción (también conocida como cuantificación de la incertidumbre) para Random Forest o Boosted Trees.
¿Cuál sería el valor para usted y/u otros usuarios si se proporciona esta nueva característica?
A veces, queremos ver la precisión de la predicción además de la predicción puntual. Esta característica puede ayudar a los usuarios a saber cuán grande es la variabilidad de la predicción.
¿Es esta una solicitud de un cliente externo?
¿Hay algún paquete de software de la competencia que tenga esta característica o solución que debamos conocer?
El cálculo de errores estándar para predicciones en Random Forest es fácil. Utilice la función _return_std en la página siguiente.
https://scikit-optimize.github.io/stable/_modules/skopt/learning/forest.html
Es muy complicado calcular los errores estándar de las predicciones en Boosted Trees. El Prof. Takigawa presentó MAPIE, pero no he seguido la información. La URL de la página de inicio de MAPIE es la siguiente.
https://mapie.readthedocs.io/en/latest/index.html
¿Esto afectará una renovación, expansión o adopción en un cliente, y pone esto en riesgo una cuenta si no abordamos esto?
Esto no es solicitado por los usuarios.
Hola @yusuke_ono , ¡gracias por tu sugerencia! Hemos tomado nota de tu solicitud y la tendremos en cuenta.
