這
最多
著名的
引用
在
全部
的
統計數據
是
喬治
盒子的
「全部 模型 是 錯誤的， 但 一些 是 有用。 」
我已經 聽到 這 引用 在 幾乎 每一個 會議
我已經 曾經 到過 到， 和 因為 的 這，
到 我的 回憶， 我已經 實際上 避免 使用 這 引用 在 任何 演講 前。
但 什麼時候 I 看起來 向上
這 第一的 時間 它 曾是 曾經 放 在 列印, 它 曾是 在 a 1976 雜誌
的 這 美國人 統計 協會 文章。
它是 成立 在 a 部分 稱為 吝嗇。
立即地 後 那 第一的 實例
的 這 引用， 他 會談 關於 這 重要性 的 發現
這 最簡單的 模型 那 描述 這 觀察到 現象。
這 金額 到 發現 模型 那 提供 a 合理的 平衡
的 擬合優度 相對 模型 複雜 和 是 確切地
什麼 我是 去 到 是 說 關於 今天 在 這 推介會。
跳轉 和 跳轉 專業版 提供 a 很多 的 不同的 造型 能力，
每個 和 a 很多 的 輸出 有關的 到 選擇 a 模型。
今天 我是 去 到 去 進入 一些 細節 進入 一些 的 這 最多 重要的 的 這些，
突出顯示 他們的 動機 和 這 假設 在後面 他們。
A 很多 的 這 討論 將要 是 關於 這 人工智慧 和 BIC模型 選擇 標準，
哪個 是 直接的 和 非常 數據- 高效率的 工具 為了 尋址 這 問題。
盒子 有 在 頭腦 和 他的 引用，
哪個 是 如何 到 尋找 a 有用 模型 從 a 放 的 有缺陷 或者 錯誤的 個。
作為 I 曾是 放置 這 推介會 一起，
I 去了 透過 這 衍生詞 的 這 AIC 和 這 比克。
I 通緝 到 得到 a 清除 理解
的 什麼 這些 相似的- 尋找 方法 真的 是 和 什麼 假設 他們 製成。
然後， 出去 的 好奇心，
I 做過 一個 網際網路 搜尋 的 AIC 相對 BIC 與 交叉驗證。
它 曾是 有趣的 到 看 在 全部 這些 網際網路 表格 那 那裡 是 仍然
所以 很多 辯論， 甚至 儘管 這些 方法 有 到過 大約 為了 50 年。
擁有 最近 已審核 這 衍生詞 的 這 方法，
它 看起來 喜歡 那裡 是 仍然 a 很多 的 誤解 出去 那裡。
I 思考 這 原因 為了 這 是 那 兩個都 模型 選擇 標準
有 非常 深的 和 技術的 衍生詞
儘管 這 簡單 的 他們的 公式， 兩個都 的 他們 是 平等的 到 減 二 次
這 對數似然 的 這 已安裝 模型，
加 a 簡單的 懲罰 基於 在 這 數位 的 模型 參數。
你 不能 猜測 這 原因
為了 這 懲罰 條款 從 這 公式 獨自的，
哪個 使 他們 似乎 神秘 和 隨意的。
一 的 我的 目標 今天 是 到 嘗試
到 揭開神秘面紗 這些 沒有 去 落水 在 這 數學。
到 放 這 全部 在 這 情境 的 一個 分析 工作流程，
我們 能 思考 的 一個 分析 專案 作為 擁有 四 主要的 步驟。
我們 第一的 有 到 獲得 這 數據， 得到 它 有組織的 和 已清理 向上。
然後 我們 合身 一些 模型 到 它 在 a 方式
那 是 任何一個 手動的 或者 自動化 經過 軟體 喜歡 跳轉 或者 跳轉 贊成。
一次 我們已經 完畢 那， 然後 我們 需要 到 選擇 一 的 他們
作為 這 模型 那 是 去 到 工作 和 移動 向前。
這 是 a 批判的 步 在 這 過程 那 出色地 是 聚焦 在 今天。
它是 重要的 那 我們 得到 這 模型 選擇 正確的
因為 這 品質 的 這 結果 和 這 結論 我們 製作
在 這 結尾 需要 那 我們 有 a 合理地 好的 模型。
這裡 是 這 主要的 方法 那 我已經 見過 人們 製作 決策 關於 模型。
假設 測試 是 大概 這 第一的 一 人們 學習 關於。
這些 是 最多 通常 用過的 到 決定 如果 a 回歸 係數
是 統計上 顯著地 不同的 從 零，
哪個 聲音 喜歡 a 模型 選擇 問題。
儘管 他們 是 常 用過的 在 那 方式，
假設 測試 是 衍生的 在下面 a 具體的 放 的 假設
那 明確地 做 不是 帳戶 為了 擁有 改變 這 模型
或者 擁有 用過的 a 模型 那 曾是 選擇 作為 這 最好的
其中 一些 替代品。
然後 我們 有 這 一般的 經驗 程式 那 評估 模型 基於
在 數據 握住 出去 從 這 模型 配件 過程。
這些 科技 能 是 應用 到 兩個都 古典 統計 模型
作為 出色地 作為 機器 學習 模型。
在 我的 觀點， 堅持 驗證， 在 特別的， 是 這 方式 到 去
如果 你 有 a 所有的 很多 的 數據。
然後 我們 有 什麼 全部 稱為 這 小的 數據 分析 程式.
這些 是 衍生的 為了 情況 什麼時候 你 有 到 製作 a 決定
關於 哪個 模型 到 使用， 但 你 不 有 足夠的 數據
到 抓住 出去 任何 觀察結果。
這 最多 通常 用過的 的 這些 是 這 AIC 和 這 比克。
但 那裡 是 其他 出色地- 已知 科技
喜歡 廣義C 交叉驗證 和 錦葵屬C 頁。
它 轉彎 出去 那 這些 二 是 實際上 漸近地 相等的
到 這 AIC， 所以 在 大的 樣品 你 應該 得到 這 相同的 結論 從 重型商用車，
錦葵 CP， 和 這 AIC， 在 特別的， 為了 在 至少 正方形- 基於 模型。
然後 我們 也 有 什麼 患病的 稱呼 模型- 具體的 方法 喜歡 貴賓
和 部分 方塊 模型 和 這 立方體 聚類 標準
在聚類中 模型。
這些 是 漂亮的 利基 和 I 慣於 是 說 關於 他們 任何 更多的 這裡 今天。
然後 我們 也 有 視覺的 工具 喜歡 實際由 預測 劇情
和 鵬 曲線。
不管 的 如何 你 選擇 你的 模型，
這些 劇情 是 好的 到 拿 a 看 在 前 移動 向前 和 a 模型
因為 他們 提供 更多的 有趣的 資訊
比 任何 個人 統計 將要 和 能 告訴 我們 如果 這 最好的 模型
那 我們已經 經過考慮的 所以 遠的 是 仍然 a 好的 足夠的 模型 為了 我們 到 使用。
我的 自己的 第一的 遇到 和 模型 選擇 標準 在 我的 專業的 生活
曾是 後退 在 這 中- 2000年， 大約 什麼時候 JMP 5 和 跳轉 6 是 出去。
跳轉 有 額外 這 能力 到 提供 能力 分析
為了 非 普通的 分佈。
能力 分析 是 a 非常 重要的 工具
為了 評估 無論 a 製造業 過程 是 " 有能力的”
的 交付 產品 那 是 之內 規格。
跳轉 使用者 通緝 到 決定 這 ” 最好的 分配” 為了 這 數據
所以 他們的 過程 能力 指標 會 最好的 反映 這 現實
的 他們的 情況。
跳轉 顧客 理解 那 你 可以 合身 不同的 分佈 和 跳轉
和 知道 那 許多 的 這 分佈 來了 和 a 擬合優度 測試 在 a 案件
的 擁有 a 槌 導致 你 到 尋找 指甲 到處。
他們 是 嘗試 全部 這 分佈 他們 可以 尋找 和 是 選擇 這 一
和 這 最大的 p 值 作為 這 分配
為了 他們的 能力 分析。
他們 通緝 我們 到 編纂 這 進入 a 新的 合身 全部 分佈 特徵
那 會 自動化 這 過程 為了 他們。
但 我們 是 相當 不舒服 和 這 要求 為了 a 數位 的 原因。
為了 一 事物， 這 不同的 分佈 適應 跳轉
來了 和 不同的 種類 的 擬合優度 測試。
這 普通的 有 a 夏皮羅 威爾克 測試。
這 威布爾 有 a 克拉默-馮·米塞斯 測試， 和 這 對數常態分佈 有 a 柯爾莫哥洛夫 測試。
它是 非常 奇怪的 到 比較 測試
那 是 相當 不同的 從 一 其他。
其他 問題 和 這 方法 是 那 分佈 和 更多的 參數
是 去 到 趨向 到 有 一個 邊緣 在 那些 和 更少。
如果 我們 選擇 這 分配 基於 在 這 最大的 p值，
它 將要 總是 青睞 分佈
和 更多的 參數 作為 我們 看 這裡 和 這 二- 範圍 普通的 比較的
和 這 四 範圍 約翰遜 是 分配。
然後 為了 一些 的 這 分佈
喜歡 這 威布爾 克萊默 從 投注 W 測試，
我們 僅有的 有 桌子 價值觀 的 p 值 去 向上 到 某物 喜歡 P 等於 25.
但 甚至 如果 我們 合併 全部 這 擬合優度 測試 向下
到 只是 一 和 得到 準確的 p 值 為了 全部 的 他們，
有 仍然 a 更大 哲學的 問題 在 賭注 和 那是 那 假設 測試
喜歡 這些 能 僅有的 量化 證據 反對 這 無效的 假設。
如果 這 無效的 假設 是 真的，
然後 這 p 值 是 a 統一地 分散式 隨機的 多變的。
在 其他 字， 如果 這 無效的 假設 是 真的，
然後 這 可能性 那 這 p 值 是 之間 0.1 和 0.2 是 確切地
這 相同的 作為 這 可能性 那 它 是 之間 0.8 和 0.9。
S eeing a p 值 的 0.9 不是 更多的 證據 那 這 假設
是 真的 比 a p 值 的 0.3。
返回 到 我們的 例子， 因為 全部 四 的 這些 分佈
有 善良- 的- 合身 p 值 更大 比 0.05。
透過 這 鏡片， 全部 四 分佈
合身 這 數據 合理地 出色地， 甚至 儘管 這 擬合優度 測試 說
全部 這 分佈 是 好的， 這 結論 關於 這 過程
產生 這 數據 是 不同的 取決於 在 這 分配。
如果 你 使用 a 頂峰 參考 價值 的 1.33
到 決定 如果 這 過程 是 有能力的， 然後 選擇 這 可行的 表示
那 這 過程 是 不是 足夠 有能力的 到 見面 這 規格，
然而 這 其他 分佈 表明 那 這 過程 是 有能力的。
我們 認出 那 那裡 有 到 是 a 更好的 方式 到 決定
這 分配 自動地 和 來了 到 這 結論
那 這 應該 是 見過 作為 a 非常 基本的 種類 的 模型 選擇 問題。
在 我們的 搜尋 為了 a 聲音 方法 為了 選擇 a 分配，
我們 跌倒了 之上 這 非常 好的 書 在 模型 選擇 經過 伯納姆 和 安德森。
他們 給 小心 衍生詞 的 這 AIC 從 這 觀點
的 資訊, 理論， 和 交叉驗證。
他們 也 給 a 推導 的 這 比克 進入 如何 這 AIC 能 是 衍生的
在 這 相同的 方式 和 a 不同的 假設 關於 這 事先的 分配。
伯納姆 和 安德森 也 小心 展示
假設 測試 是 相當 不連貫 作為 a 模型 選擇 戰略。
這 書 有 a 漂亮的 大的 影響 在 我的 自己的 視圖 的 造型
和 也 在 跳轉 統計 造型 平台。
返回 到 這 分配 選擇 問題 為了 這 片刻，
什麼時候 我們 去了 前方 和 額外 a 分配 選擇器，
我們 結束 向上 呼叫 它 合身 全部 和 我們 根據 它 在 這 AICc。
這裡 在 這 左邊，
我們 有 二 分佈 的 這 能力 分析 數據
我們 是 尋找 在 前， 這 普通的 和 這 約翰遜 是的。
這 約翰遜 蘇氏 擬合優度 p 值 是 更大 比 這 正常的 因為 它 有
二 更多的 參數 比 這 普通的 分配。
現在 在 這 正確的，
我們 看 這 結果 的 a 合身 全部 使用 這 AICc。
這 普通的 來 出去 作為 這 最好的- 配件 分配，
但 這 蘇約翰遜 是 靠近 這 底部。
這 是 因為 這 人工智慧 是 懲罰 它 為了 擁有 這些 二 額外的 參數。
這 特徵 有 現在 到過 用過的 許多， 許多 次
和 I 相信 人們 是 一般來說 漂亮的 快樂的 和 它。
現在 我是 去 到 去 透過
a 有些 數學 但 希望 無障礙 解釋
的 什麼 這 人工智慧 真的 是。
全部 正確的。
現在 我是 去 到 去 進入 一些 基本的 理論 在後面 這 AIC。
患病的 是 作為 簡短的 作為 可能的 和 使用 這 最好的 類比 作為 I 能，
但 I 思考 它 是 重要的 到 是 裸露 到 這 潛在的 概念 所以 你 能 看
那 這 AIC 有 a 嚴格的 基礎 那 有 一些 感覺 到 它。
這 AIC- 類型 選擇 標準 是 基於 在 a 距離- 類型 公制
之間 可能性 分佈 稱為 這 庫爾巴克- 萊布勒 或者 氯 分歧。
它 量化 這 數量
的 資訊 遺失的 經過 使用 可能性 分配 二
一 可能性 分配 一 是 這 正確的 一。
氯 分歧 有 這 財產 的 總是 存在 更大 比 或者 平等的 到 零
和 是 僅有的 平等的 到 零 什麼時候 這 二 可能性 分佈
是 這 相同的。
這 是 到 說 那 使用 這 錯誤的 分配 總是 線索
到 a 理論上 可量化的， 嚴格 積極的 資訊 損失。
這 是 漂亮的 令人陶醉 抽象的 東西,
所以 我是 去 到 翻譯 它 進入 這 語言 的 統計 造型。
什麼時候 我們 是 使用 數據 在 統計數據 到 學習 關於 如何 某物 作品，
我們 是 明確地 或者 隱含地 配件 可能性 模型 到 這 數據
到 近似 這 真的 模型 那 產生 它。
如果 我們 知道 這 真的 可能性 產生 機制， 我們 可以 使用 這 氯 分歧
到 量化 如何 遠的 或者 如何 錯誤的 這 模型 是 從 這 真相。
我們 可以 然後 嘗試 一些 模型 和 尋找 這 一 那 是 這 最近
到 這 真相。
Akaike 認可 這 和 插上 這 真的
和 這 模型 可能性 公式 進入 這 氯 分歧 公式
和 用過的 a 小的 代數 到 看 那 這 氯 分歧 有 二 條款。
這 第一的 學期 僅有的 包含 這 真的 可能性- 產生 機制
為了 這 數據， 哪個 我們 能 絕不 知道 自從 我們 能 僅有的 工作 和 模型。
然而， 這 是 a 持續的 那 是 這 相同的 為了 全部 模型
那 你 合身 到 這 數據
作為 長的 作為 我們 玩 經過 a 夫妻 簡單的 規則。
這 第二 學期 是 什麼 Akaike 發現 是 經驗上 可估計 和 和 a 很多
的 數學， 他 成立 a 簡單的 公式 到 估計 這 第二 學期。
在 特別的，
他 發現 那 二 次 這 氯 分歧 是 平等的 到 a 持續的
那 是 這 相同的 為了 全部 模型， 加 二 次 這 消極的 對數似然
的 這 數據 用過的 到 合身 這 模型， 加 二 次 這 數位 的 參數。
一切 有 到過 乘以 經過 a 因素 的 二 只是 到 跟隨 這 相同的 習俗
作為 a 可能性 比率 測試， 自從 這 持續的 學期 是 這 相同的
為了 全部 模型 作為 長的 作為 我們 不 改變
這 回覆 數據， 我們 能 合身 一些 模型，
和 這 一 誰 AIC 是 這 最小 是 這 一 那 是 估計的
到 有 這 最小的K L 分歧 從 這 真相 和 在 a 感覺 是 這 一
那 是 這 至少 錯誤的。
使用 這 AIC 為了 模型 選擇 是 完全 類似的 到 那裡 存在
a 收藏 的 島嶼 和 你 想 到 知道 哪個 的 這 島嶼 你 知道 的
是 最近 到 其他 島 那 你 知道 你會 絕不 是 有能力的
到 得到 到。
這 直接的 解決方案 到 這 問題 會 是 到 計算 這 距離
從 每個 的 這 島嶼 到 這 一 那 我們 想 到 得到 關閉 到。
現在， 什麼 如果 這 島 我們 通緝 到 得到 關閉 到 曾是 被包圍
經過 a 圓 高的 柵欄 那 我們 可以 方法？
這 島 是 完美 在 這 中間 的 這 柵欄，
所以 這 距離 從 這 中心 的 這 島 到 這 柵欄
是 總是 這 相同的。
但 這 柵欄 曾是 遠的 足夠的 離開 從 這 島 那 它 封閉式
那 我們 不能 看 它 或者 措施 這 距離
從 這 柵欄 到 這 內部的 島。
我們 能 仍然 估計 這 距離 從 每個 島 到 這 柵欄。
因為 這 主要的 島 是 在 這 中心 的 這 柵欄，
我們 知道 那 這 島 最近 到 這 柵欄 是 這 最近 島。
這 是 確切地 這 情況 和 這 AIC。
和 這 AIC， 我們 能 估計 這 距離 從 這 真相 到 每個 的 這 模型。
每個 AIC 估計 是 離開 經過 這 相同的 數量。
儘管 我們 不能 估計 這 絕對 距離 的 這 模型
從 這 真相， 我們 能 知道 哪個 模型 是 這 最近
在 a 相對的 感覺。
這 原來的 AIC 是 基於
在 這 可能性 的 這 訓練 數據 加 a 範圍 懲罰。
這 訓練 可能性 評估 這 善良 合身 的 這 模型。
我們 不能 使用 這 學期 經過 本身 儘管， 因為 它 是 有偏見 向下
作為 這 模型 參數 是 選擇 到 最小化
這 消極的 對數似然。
和 a 很多 的 數學， Akaike 衍生的 a 非常 簡單的 表達
那 修正 為了 這 偏見。
這 原來的 懲罰 是 只是 2 K
在哪裡 K是 這 全部的 數位 的 估計的 參數。
為了 線性 回歸 和 a 坡
和 一個 截距， 我們 也 有 到 數數 這 方差。
為了 那 案件 你 會 有 K 等於 三 和 不是 二。
那裡 是 重要的 假設 那 引領 到 2 K 懲罰。
我們 能 表徵 他們 鬆散地 那 這 模型 有 到 是 合理地 好的。
這 AIC 是 仍然 去 到 是 強壯的 然而， 因為 如果 a 模型 是 壞的，
然後 這 可能性 成分 將要 是 大的 和 將要 支配
這 懲罰 其中 這 好的 模型。
這 2K 學期 將要 青睞 這 更小 模型 作為 長的
作為 這 樣本 尺寸 是 大的。
然而， 它 沒有 拿 長的 為了 人們 到 尋找 那 這 原來的 AIC
常 節目 模型 那 過度擬合 在 小的 樣品，
所以 a 更多的 準確的， 更高- 命令 近似 到 這 偏見 曾是 衍生的。
什麼時候 這 額外的 學期 是 額外，
這 標準 變成 已知 作為 這 人工智慧 或者 這 已更正 AIC。
很遺憾， 這 名聲 那 這 AIC 過度擬合
有 變得 平凡 前 這 更正 曾是 發現
和 廣泛 已知 關於。
這 更正 變成 無限 作為 K 接近 N
推動 這 模型 選擇 標準 離開 從 模型 那 是 幾乎 飽和。
注意 也 那 這 更正 學期 去 到 零 作為 N 去 到 無窮大。
在 大的 樣品 這 AIC 和 人工智慧 是 相等的。
這 人工智慧 是 什麼 我們 已報道 在 王牌 因為 它 作品 出色地 為了 小的 樣品
和 雖然 它 曾是 衍生的 為了 高斯 分佈，
經驗 建議 那 它是 好的 足夠的 和 其他 通常 用過的 分佈。
現在 我是 去 到 闡明 這 人工智慧
在 a 真實的 例子 那 曾是 a 五- 因素 中央 合成的 設計 和 31 跑步，
和 這 回覆 曾是 這 數量 的 p 脫氧核糖核酸 製作 經過 a 生物反應器。
患病的 闡明 這 人工智慧 使用 這 廣義的 回歸 平台，
給予 它 a 滿的 回覆 表面 模型
和 全部 主要的 效果 交互作用 和 第二- 命令 條款。
I 合身 四 模型 到 這 數據。
一 是 a 滿的 回覆 表面 模型 使用 至少 方塊 那 曾是 合身 自動地。
然後 I 使用 向前 選擇
在下面 這 普通的， 對數常態， 和 指數 分佈。
I 選擇 這 指數 分配 到 闡明 貧窮的 模型 合身。
這 模型 有 2 2, 9, 9, 和 1 參數 分別，
和 這 模型 和 這 最低 人工智慧 曾是 這 對數N 正常 和 一個 人工智慧
的 關於 334.8.
我們 能 休息 這 AIC 和 人工智慧 計算
向下 到 看 如何 不同的 部分 的 這 懲罰 是 貢獻。
這 滿的 至少 方塊 模型
有 這 最低 可能性， 但 這 最高 人工智慧 全面的。
什麼時候 我們 看 在 這 第二- 命令 修正 和 這 原來的 AIC 價值觀，
我們 看 那 它是 這 第二 命令 更正 學期 那 是 推動
這 模型 選擇 標準 到 是 非常 大的 為了 這 模型。
這 對數N 正常 向前 選擇 紀錄 可能性 是 a 小的 降低
比 這 普通的 向前 選擇 一。
他們 兩個都 有 九 參數， 所以 他們的 處罰 是 這 相同的
和 這 對數N 正常 向前 選擇 模型 有 這 降低 AICc。
這 指數 向前 選擇 模型 有 這 最貧窮 模型 合身 作為 測量
經過 這 對數似然， 但 也 僅有的 有 一 範圍
在 這 模型。
全面的 它 有 這 最小 懲罰 貢獻 到 這 AICc。
但 這 貧窮的 合身 的 這 模型 是 這樣的 那 這 可能性 占主導地位
和 這 指數 模型 是 這 第二 從 這 最差 作為 測量 經過 這 AICc。
如果 你 審查 這 一般的 推導
的 這 AIC 在 這 伯納姆 和 安德森 書，
你會 看 那 什麼 它是 實際上 估計的 是 這 預期的 價值
的 a 假想 測試 放 可能性 為了 a 數據 放 那 有 這 相同的 尺寸
和 回覆 結構， 但 不是 價值觀 作為 這 訓練 放。
這 預期的 價值觀 也 拿 進入 考慮 這 變異性
在 這 估計 的 這 最大似然比。
I 尋找 這 交叉驗證 解釋 的 這 AIC
到 是 漂亮的 引人注目。
I 思考 它是 也 重要的 到 觀點 出去 那 這 交叉驗證 推導
的 這 AIC 做 不是 認為 在 全部 那 我們 有 這 正確的 模型。
到 展示 那 這 交叉驗證 解釋 真的 作品，
I 創建 a 模擬 公式 使用 一個 平均的 的 這 模型 我已經 顯示
在 這 以前的 幻燈片 作為 出色地 作為 一些 其他 個。
這 方式 我們 知道 那 沒有任何 的 這 模型 是 實際上 這 正確的 一。
I 合身 每個 的 這 四 模型 到 新的 訓練 數據 a 千 次
和 放 它 向上 所以 那 工作 會 報告 一個 獨立的 堅持 可能性
使用 其他 新的 數據 放。
I 保留 每個 的 這 四 模型 結構
和 分佈 完好無損的 和 做過 不是 申請 多變的 選擇。
這 曾是 到 完美 模仿 這 精確的 交叉驗證 解釋
的 這 AIC。
從 那裡， I 創建 a 桌子 的 模擬
堅持 可能性 和 計算 他們的 平均的 為了 每個 的 這 四 模型。
這 是 這 AIC 和 人工智慧 概括 桌子 從 前，
和 這 模擬- 基於 平均的 堅持 對數似然
額外 超過 這裡 到 這 正確的， 你 能 看 那 這 滿的 普通的 模型
堅持 可能性 是 非常 關閉 到 它是 人工智慧 價值
和 那 這 第二- 命令 更正 學期 曾是 基本的 為了 這 匹配 到 發生。
在 這 其他 手，
你 看 那 這 模擬 平均的 指數 堅持 對數似然
是 也 非常 關閉 到 這 AICc。
兩個都 這 普通的 和 對數N 正常 堅持 可能性 是 關閉
到 這 原來的 紀錄 普通的 模型 A 國際刑事法院。
這 普通的 堅持 可能性 是 a 小的 更小。
I 屬性 這 到 平均 a 束 的 模擬 模型，
製作 這 模擬 數據 a 小的 位元 更多的 通常情況下 分散式
比 這 原來的 數據 曾是。
那裡 是 a 夫妻 簡單的 規則 那 是 需要 到 製作 人工智慧 比較
真的 有效的 之間 不同的 模型。
這 最多 重要的 是 那 這 隨機 部分 的 這 數據
有 到 停留 這 相同的， 這 相同的 列 有 到 是 用過的
和 它 是 這 Y 的 在 特別的 那 必須 是 這 相同的。
這 X的 能 是 不同的， 的 課程， 甚至 如果 他們 是 起初 隨機的，
不是 僅有的 必須 這 Y 的 是 這 相同的， 但 他們 不能 是 改變 或者 變成。
這 轉換 會 有 到 是 建造 進入 這 模型 適當地。
這 AIC 是 也 僅有的 定義
為了 行為良好 最大限度 可能性 估計量
和 其他 密切 有關的 方法。
這 解釋 為什麼 你 不 看 人工智慧
為了 神經 網路 和 其他 機器 學習 模型。
也, 你 有 到 保持 在 頭腦 那 只是 因為 你 成立 a 模型 那 這 人工智慧
說 是 這 最好的， 它 沒有 意思是 那 它 是 a 好的 模型。
使用 你的 過去的 經驗 和 模型 診斷 劇情 到 確保
那 這 模型 是 正確的 足夠的 到 是 有用。
返回 到 這 質粒DNA 數據， 我們 看 二 相等的 模型。
在 這 頂部， 我們 有 a 對數N 正常 模型
和 在 這 底部 我們 有 a 普通的 合身 到 這 紀錄- 轉型 回覆.
你 能 看 那 這 廣義的 遙感 方塊
是 這 相同的 為了 這些 二 模型， 但 這 人工智慧 是 非常 不同的。
這 是 因為 這 對數N 正常 合身
隱含地 建構 這 轉換 進入 這 可能性。
但 這 紀錄 規模 普通的 合身 做 不是。
在 這 案件， 這 正確的 事物 到 使用 是 這 對數N 正常的。
這是 a 快的 示範 那 你 有 到 決定 這 分配
和 這 輸入 變數 在 這 相同的 時間。
這裡 是 模擬 數據 從 a 特 東方 類型 模型
二 群組 的 通常情況下 分散式 數據 和 這 相同的 方差，
但 不同的 方法。
如果 你 合身 全部 在 這 分配 平台，
它 選擇 這 普通的 二 混合物 和 一個 人工智慧 的 1036.
這 是 這 正確的 分配
如果 你 不 知道 這 團體 身分 的 這 行。
一次 你 包括 這 分組 多變的 儘管，
你 看 那 這 普通的 來 出去 在 頂部 的 一個 人工智慧 的 717 或者 所以。
我們 也 嘗試過 這 威布爾 對數常態
和 伽瑪 和 這 普通的 仍然 來了 出去 在 頂部， 甚至 儘管 那些 分佈
做過 更好的 在 分配 沒有 包括 這 分組 多變的。
你會 有 到 嘗試 不同的 模型 結構
和 分佈 一起 到 尋找 這 正確的 組合。
現在 我是 去 到 改變 齒輪 和 演講 a 小的 位元 關於 這 BIC，
哪個 是 這 其他 主要的 分析 模型 選擇 標準 和 跳轉。
這 BIC 是 有動力 在 a 完全地 不同的 方式
比 這 AIC。
施瓦茨 用過的 a 大的 樣本 爭論 在 a 貝葉斯 情境 到 近似
這 紀錄 可能性 的 這 數據 後 擁有 融合的 這 模型 出去，
假設 a 平坦的 事先的 在 這 參數， 一個 表達 相似的 到 這 AIC 爆米花 出去
和 a K 紀錄 在 類型 懲罰 學期 相當 比 二 次 k.
那裡 是 也 其他 條款 在 這 不可缺少的 那 是 總是 忽略。
一 是 K 紀錄 2 π， 哪個 曾是 經過考慮的 也 小的
到 交易 和 和 這 其他 一
是 a 規範化 變異數 的 這 最大似然估計， 哪個 會 也 是 的 訂單 K。
I 沒有 學習 這 AIC 或者 BIC 進入 任何 深度 在 學校。
I 只是 記住 聽力 這 避免 AIC 過度擬合，
BIC 旗下 適合 一些 次 在 不同的 課程，
哪個 I 解釋 作為 a 強的 懷疑論 關於 兩個都 的 他們。
比較 這 人工智慧 和 BIC罰款， 我們 看 那 這 人工智慧 將要 防止
大的 模型 從 存在 選擇 什麼時候 這 樣本 尺寸 是 小的，
然而 這 比克 將要 仍然 允許 大的 模型。
I 看 這 K 紀錄 和 正常化 持續的 懲罰 在 這 BIC 作為 有些
較少的 引人注目 比 這 交叉驗證 解釋 的 這 AIC- 類型 處罰。
某物 那 線索
到 a 邊緣 可能性 的 這 數據 是 更多的 抽象的 到 我 比 某物
那 是 直接地 可解釋的 作為 a 交叉驗證 公制
服用 進入 帳戶 範圍 不確定。
我是 完全 意識到的
那 我是 社論 這裡， 但 這 是 什麼是 工作 出色地
為了 我 所以 遠的。
返回 到 這 p 脫氧核糖核酸 美國能源部 一 更多的 時間。
這裡 是 這 相同的 模型 合身 在 這 質粒DNA 例子
使用 這 BIC 第一 選擇 在 頂部 和 這 人工智慧 在 這 底部。
注意 那 這 BIC 這 滿的 普通的 模型
是 不是 作為 遠的 離開 從 這 其他 模型 作為 和 這 AICc。
這 最好的 模型 全面的 作為 額定 經過 這 比克 是 a 對數常態，
但 和 十三 參數 這 時間 大約 相當 比 九。
這 向前 已選擇 BIC 正常 模型 也 有 a 夫妻 更多的 參數。
在 小的 樣品， 相反 到 這 AIC 過度擬合，
BIC 旗下 適合， 這 人工智慧 能 選擇 更小 模型 比 這 比克 在 小的 樣品。
這裡 我們 看 這 效果 選擇 經過 這 BIC 和 這 AICc。
這 放 的 BIC 精選 效果 是 a 超集 的 這 一 選擇
經過 這 AICc。
A 伊索 注意， 有趣的是， 那 全部 四 效果 不是 選擇
經過 這 人工智慧 是 統計上 在 BIC 下具有重要意義。
在下面 這 BIC， 這 pH平方 學期 是 高度 重要的，
但 它 不是 展示 在 這 人工智慧 模型， 為了 例子。
I 會 說 那 全部 這 重要的 效果
應該 有 星號 經過 他們，
但 全部 重要的 p 值 有 星號 經過 他們 和 J 議員 報告。
反而， 患病的 只是 說 那 I 拿 p 值 的 效果
後 選擇 和 a 糧食 的 鹽。
雖然 這 二 模型 選擇 不同的 效果，
一些 的 他們 高度 統計上 重要的 在 這 模型。
如果 我們 看 在 這 輪廓
或者 多變的 重要性 從 這些 二 模型，
他們 告訴 a 非常 相似的 故事。
餵食 速度 是 經過 遠的 這 最多 重要的
和 後 那 這 訂購 是 這 相同的 之間 這 二 模型。
僅pH值 影響 3% 的 這 變化 在 這 回覆 表面 在下面 這 比克
最好的 模型 和 不是 包括 在 全部 在 這 人工智慧 最好的 模型。
這 是 a 非常 清除 例子
的 統計 意義 和 實際的 關聯
存在 二 不同的 事物。
那裡 是 a 很多 的 意見 出去 那裡 關於 這 人工智慧 和 這 比克。
為了 例子， 伯納姆 和 安德森
說 那 兩個都 方法 是 持續的 為了 這 幾乎- 真的 模型 作為 N 去
到 無窮大。
但 然後 有 其他的 那 說
那 這 BIC 是 這 僅有的 一 持續的 為了 這 真相。
伯納姆 和 安德森 說 那 你 能 放 向上 模擬 到 製作 一 看 好的，
改變 這 方式 它是 放 向上 a 小的 位元 和 它會 翻動 這 結果。
伯納姆 和 安德森，
世界衛生組織 是 關於 這 最多 頑固 人工智慧 粉絲 出去 那裡 在 他們的 模擬，
成立 那 這 人工智慧 選擇 更少 真的 壞的 模型 比 這 比克。
I 思考 它是 不是 a 壞的 主意 到 看 在 兩個都 BIC 和 人工智慧
後 申請 多變的 選擇。
如果 這 最好的 模型 在下面 兩個都 是 漂亮的 很多 這 相同的， 哪個 是 常 這 案件，
你 能 感覺 漂亮的 好的 關於 任何一個 的 他們， 如果 他們是 不同的
它是 好的 到 思考 關於 這 原因 為什麼 和 使用 你的 主題 事 專業知識
到 幫助 製作 a 決定。
我的 最後的 話題 是 模型 選擇 標準 和 線性 混合 模型。
這 是 a 漂亮的 複雜的 情況， 尤其 因為 那裡 不是 共識
之間 軟體 供應商 在 如何 到 計算 這 模型 選擇 標準。
到 闡明 這， I 創建 a 分裂 陰謀 設計 和 四 因素。
那裡 是 二 所有的 陰謀 效果 和 二 分裂 陰謀 效果。
如果 你 拿 這 相同的 數據 和 合身 這 相同的 模型 在 跳轉 專業版
和 SAS 使用 合身 混合 和 過程 混合，
你 將要 看 那 這 可能性 和 模型 選擇 標準 不 匹配，
但 這 變異數 估計 做， 你 得到 不同的 固定的 效果
範圍 估計， 但 這 固定的 效果 測試 同意。
一 的 這 原因 為了 這 是 那 跳轉 和 SAS 固定的 效果 設計 矩陣
使用 a 不同的 編碼 策略 為了 分類 效果。
在 這 左邊 I 有 這 跳轉 設計 矩陣 為了 這 分裂 陰謀 例子，
和 在 這 正確的 你 看 這 SAS 一。
跳轉 創建 a 排 的 減 一
為了 這 最後的 等級 的 分類 效果 哪個 是 見過 在 藍色的 這裡
然而 SAS 創建 a 排 的 零。
兩者都不 一 的 這些 是 正確的 或者 錯誤的。
它是 喜歡 改變 單位 或者 改變 協調 系統。
跳轉 分類 效果 和 到 零， 然而 SAS 分類 效果
能 是 解釋 作為 差異 從 這 最後的 等級。
雖然 這 生的 範圍 估計 不同，
預測 將要 是 這 相同的 之間 這 二 編碼 因為 這 模型
是 從根本上來說 相等的。
最多 事物 那 事
慣於 是 不同的 之間 這 二 軟體 產品。
然而， REML， 方法 用過的 到 估計 混合 效果 模型
有 一個 歧義 在 它。
這 根據 高斯 可能性 在 這 頂部
將要 是 這 相同的 在 任何一個 軟體 因為 它是 a 真實的 可能性。
但 這 雷米勒 或者 殘差 可能性 已報道 經過 過程 混合
和 跳轉 專業人士 合身 混合 不是 a 真實的 可能性。
如果 它 曾是 a 真實的 可能性， 然後 我們 會 得到 這 相同的 價值觀
不管 的 哪個 編碼 或者 軟體 我們 用過的。
這 是 因為 有 一個 額外的 懲罰 額外 到 這 高斯 可能性
為了 雷米勒 那 減少 這 偏見 的 這 變異數 估計。
但 這 取決於 在 這 設計 矩陣
在 a 方式 那 是 敏感的 到 這 編碼 用過的。
跳轉 報告， 這 生的 高斯 可能性， 和 這 人工智慧 和 BIC 它 報告
是 基於 在 那 相當 比 這 殘差 可能性。
這 數位 的 參數 合身 混合 計數
是 這 全部的 包括 兩個都 固定的 效果 和 變異數 參數。
我們 做過 它 這 方式 到 製作 它 所以 那 你 能 使用 跳轉 到 比較 模型
和 不同的 固定的- 影響 結構 作為 出色地 作為 變異數 模型。
在 SAS， 他們 僅有的 報告 這 殘差 或 REML 對數似然
和 它 報告 模型 選擇 標準 基於 在 它。
你 能 看 這裡 那 它 也 僅有的 計數 變異數 參數 作為 出色地
因為 這 不同之處 之間 這 SAS 可能性
和 它是 AIC 是 為了 暗示 二 參數，
a 變異數 成分 和 a 殘差。
全部 這 方法 是 那
你 能 僅有的 使用 p 鵬 混合 為了 比較 變異數 模型
和 這 AIC 因為 這 模型 選擇 標準
包括 這 雷米勒 懲罰 和 它是 僅有的 計數 變異數 參數。
和 全部 到期的 尊重，
I 能 思考 的 一些 好的 原因 為了 這 SAS 方法，
和 那裡 是 大概 一些 其他 好的 原因 I 不 甚至 知道 的。
但 I 親自 更喜歡 這 靈活性 負擔得起 經過 這 跳轉 方法。
到 總結， 如果 你 比較 結果 穿過 軟體
為了 非 混合 模型， 這 意思是 範圍 估計 可能 不同，
但 否則 一切 別的 應該 是 這 相同的。
作為 長的 作為 這 軟體 計算
這 常量 和 這 可能性 正確地 作為 跳轉 做。
什麼時候 我們 得到 到 高斯 混合 模型，
那裡 是 非常 重要的 軟體 差異
和 這 範圍 的 這 決策 你 能 製作 關於 這 模型
使用 這 軟體 可能 是 非常 不同的
取決於 在 這 細節 的 如何 它是 可能性 是 計算。
跳轉 模型 選擇 標準
是 可比 兩個都 之內 這 相同的 平台
和 穿過 其他 造型 平台。
患病的 關閉 和 這 滑動， 哪個 給出 我的 基本的 建議
為了 申請 這 工具 討論 今天。
假設 測試 是 a 工具 為了 什麼時候 你 需要 到 證明 某物
和 是 最好的 用過的 在 情況 什麼時候 你 有 a 好的 主意
的 這 模型 結構 在 進步。
什麼時候 你是 在職的 在 a 問題 在 產業 和 這 樣本 尺寸 是 小的，
I 會 戳 到 古典 統計 模型
和 使用 這 人工智慧 作為 這 基本的 工具 為了 選擇 之間 他們。
和 更大 數據 套， 什麼時候 I 有 足夠的 數據 到 抓住 出去
在 至少 a 第三 的 這 觀察， I 使用 堅持 交叉驗證 到 比較
古典 統計 模型 作為 出色地 作為 機器 學習 模型。
在 我的 自己的 工作， I 趨向 到 避免 K- 折疊 交叉驗證
和 它是 方差。
這 模型 選擇 標準 是 相等的 到 它 在 更大 樣品，
和 I 趨向 到 戳 和 更簡單 模型 和 更小 數據 套。
I 知道 那 不是 每個人 是 去 到 同意 和 我 在 這，
但 這 是 什麼 作品 為了 我 和 是 a 漂亮的 安全的 方式
到 方法 模型 選擇。
選擇 這 最多 有用 模型 從 a 放 的 替代方案 那 必須 全部 是 錯誤的
在 一些 等級 是 一個 重要的 決定， 和 這些 是 這 主要的 注意事項
I 有 什麼時候 決定 之上 a 模型 選擇 戰略。
感謝 你 為了 你的 注意力 和 I 看 向前 到 說 和 你
在 這 見面 這 專家 會議。
