このウィッシュリストリクエストのきっかけは何ですか?
多数の共線性/相関変数に基づいて複雑なモデルを構築する場合、いくつかの可能性が考えられます。 その 1 つは、変数を主成分に変換し、共線性の問題を回避し、次元を削減し、初期情報の大部分を保持するために、これらの主成分に基づいてモデルを作成することです。
予測モデリングで発生する可能性のある問題はデータ漏洩です。つまり、検証セットやテスト セットからの情報が前処理やモデル構築で使用されます。
これは、検証/テスト行が非表示または除外されていない場合に PCA プラットフォームで発生する可能性があります。PCA がデータセット全体に対して実行され、トレーニング主成分データに基づいてモデルが構築された後でも、モデルには検証からの情報の一部がまだ含まれています。そしてお試しセット。 パフォーマンスが「楽観的に」評価されすぎるため、モデルの評価に偏りが生じる可能性があります。
改善してほしいことは何ですか?
他のプラットフォーム (以下の「モデルの適合」を参照) については、PCA プラットフォーム ダイアログを起動するときに検証ロールが必要です。これにより、PCA がトレーニング行で作成され、検証行とテスト行に適用されます。
この考え方がなぜ重要なのでしょうか?
PCA の検証の役割により、ユーザーは予測モデルを構築する際にこのデータ漏洩の状況をより認識できるようになります。 変換/モデルを実行する前に、まずデータセットをトレーニング/有効/テスト セットに分割することもベスト プラクティスの一部であるため、この検証ロールを追加することで、ユーザーにとって信頼できるベスト プラクティスが強制されます。
最後に、行を手動またはスクリプトで除外する代わりに、この機能を使用した予測モデルの前処理ステップとして、より信頼性の高い方法で PCA を使用することも簡単になります。
