スピーカー | トランスクリプト |
| ファビオ・ドッタヴィアーノ | さて、このビデオをご覧いただいた皆さん、ありがとうございます。ご覧のとおり、機械学習における欠落ランダム効果についてお話します。 |
| これは、同僚のジョー・ヤングと一緒に取り組んだ仕事です。私たちは二人ともダウ・ケミカル社で韓国のDに勤務しており、新しいプロセス、主に新製品の開発に役立つアイデアを考案しています。 |
| この画面に表示されているのは大きなビンゴケージです。ここでの私たちの話はシミュレーションに関するもので、少なくとも私にとってはシミュレーションは多くのことと関係があるからです。 |
| ビンゴの場合は、大きなイベント内でのボールと数字の配分を決定したので、あとは好きなように選び続けるだけです。 |
| 先ほども申し上げたように、この話は出版にも関係しています。 |
| 最近、同じ名前のものが、このプレゼンテーションにアクセスできるはずです。ここをクリックするだけで、論文全体にアクセスできます。ここでは、そこで公開した内容の要約を示します。 |
| さて、この背景は何でしょうか。まず、機械学習には、知識を深めるセッションに対する一種のプラグ アンド プレイの魅力があります。 |
| 魅力的なものを想定する必要はないことはわかっています。それに、最近は非常にユーザーフレンドリーなソフトウェアが存在します。つまり、最近の人々はそうしたソフトウェアを好むのです。 |
| しかし、ランダム効果はどこにでもあり、これらの効果を実行するのは面白いことです。なぜなら、それは少し複雑な概念だからです。 |
| 基本的な統計コースに触れると、より高度な主題が示されます。そのため、ランダム効果についてあまり理解せずに機械学習を行う人が多くなります。 |
| そして、たとえ彼らがそのことを理解していたとしても、ランダムな事実の概念は |
| それでも、ランダム効果を使用できるアルゴリズムがわずかしかないため、機械学習を行っている人々との間で大騒ぎになることはありません。 |
| ここにいくつかの木とランダムフォレストがあり、それを取ることができますが、最近のものでは、ご存知のとおり、広がっていません |
| どこにでもあります。そのため、機械学習でランダム効果を処理できるものを見つけるのは困難になるでしょう。 |
| ランダム効果について少しお話しします。ここでわかるように、少なくとも私が属する化学業界では、通常は 3 つの成分を混ぜます。そうです。黄色、赤、緑です。 |
| 私たちは、これらの成分のそれぞれの割合を異なるレベルにしています。そして、それを変えながら、特定の機器でこれらの成分の割合を測定します。時には、オペレーターやラボの技術者がそれを行います。 |
| また、見たい結果にも干渉します。わかりました。そして、この種の実験を行うときは、一般化したいのです。つまり、発見した事実、正しいこと、あるいは予測などです。私たちはここに到達しようとしています。 |
| しかし問題は、私がここでこれらのグリーンコンポーネントを混ぜている時です。次回、このグリーンコンポーネントを供給しているサプライヤーから購入する場合 |
| そして、グリーンは色合いが非常に良く、次にこのグリーンのコンポーネントを購入するときに、サプライヤーが私に提供するものはまったく同じグリーンになるかどうかはわかりません。供給にはばらつきがあるからです。 |
| さらに、私が特定の機器を使用しているという経験をしたとおわかりでしょう。しかし、私が自分の研究室や他の研究室を見回すと、これらの機器のメーカーが異なる可能性があります。 |
| そして、その上に、ご存知のとおり、測定はオペレーターの判断にかかっているかもしれません。そのため、干渉して私の測定結果を貧弱にしてしまう可能性もあります。 |
| ここでの私の一般化の予測は |
| ここで私が予測したいことは何でもしてください |
| これは化学業界では最も典型的なもので、実験バッチの変動です |
| 同じことを何度も繰り返すと時間が経ってしまいます。 |
| ここで実験を行ってモデルを取得し、そのモデルで何かを予測できるとします。その後、その実験を繰り返して別の Malden モデルを取得し、これら 3 つのモデルの予測を取得します。 |
| 今はだいぶ違うかもしれません。ニックは判読可能です。つまり、時間という要素もあります。 |
| では、ここで私が話している問題は何でしょうか。通常、私たちは保存されたデータと履歴データ、つまり、過去に処理した断片的なデータの集まりを持っています。 |
| そして、人々はその結果を一般化することにあまり関心がありませんでした。その実験を行った時点での結果です。そのため、それらを集めて履歴データと呼ぶとき、ランダム効果のタグが付いている場合と付いていない場合があります。 |
| そして、テキストがある場合、それは少なくとも私が出身地からのものです。これは、私にとって税金がかからないという事実の例外であり、少なくとも全員に当てはまるわけではありません。 |
| タグがあるとします。できることの 1 つは、これらのランダム効果を処理できる機械学習技術を使用して、タグをモデルに組み込むことです。これで完了です。問題は発生しません。 |
| しかし、前述したように、機械学習の技術はランダム効果を妨げる可能性があるため、あまりよく理解されていません。機械学習を使用したいと思うかもしれません。 |
| そして、ランダム効果を固定されているかのようにモデルに取り入れると、よく知られている問題に遭遇します。ランダム効果を固定されているものとして扱うべきであるという問題です。 |
| 一つだけ言っておきますが、例えば、ランダム効果がヨーロッパの後で起こるとしたら、新しいものを予測するのは困難です。 |
| データ内の演算子はいくつかありますが、新しい演算子が日数を計算する場合は、この新しい演算子の効果を予測することはできません。したがって、ここでは取引はありません |
| そして、あなたにできることが 1 つあります。それは、機械学習技術を犠牲にして税収を得るか得ないかです。 |
| ランダムがある場合は、ランダム効果を無視するタグを付ける必要があります。そうでない場合は無視します。いずれにせよ、無視することになります。好きかどうかは関係ありません。私がやりたいのは、シューティングのシミュレーションを少なくすることです。縄跳び釣りを使用します。 |
| そして、皆さんがその結果を楽しんでいただければ幸いです。 |
| 基本的にはシミュレーションです。固定効果とランダム効果を組み合わせた混合効果モデルを使用します。そして同じモデルを使用して推定します |
| これに対する応答で、私はシミュレーションとモデル化を行った後、ニューラルネットを使ったシミュレーションの結果は |
| 次に、このモデルをこのモデルの予測パフォーマンスとして使用します。 |
| ベンチマークとして、エッジ付近のパフォーマンスを予測するために使用します。後で比較して、テスト セットを正方形にして何が起こるかを確認します。ここでランダム効果が満たされていることがわかります。 |
| では、わかりました。私がこれらのことを話すとき、線形混合効果モデルと機械学習ニューラル ネットを比較していると思われることがあります。しかし、そうではありません。ここでは、ランダム効果のあるモデルとないモデルを比較しているのです。 |
| データにランダム効果がある場合でも、私はそうすることができます。たとえば、 |
| 効果を実行する線形モデルと、効果を実行しない線形モデル。 |
| そして、ランダム効果のあるニューラルネットと、ランダム効果のない尿を比較することができました。しかし、問題は、今日では、例えば、ランダム効果を処理できるものがないということです。そのため、私は強制的に使用しました。例えば、すべての線形混合効果 |
| 私のシミュレーション要因。業界で一般的に使用されているもの、つまりプロセス変数モデルと混合したものを使用します。 |
| 3 つのコンポーネントがあるとします。前にも示しました。黄色、赤、緑があり、それぞれに一定のパーセンテージがあり、最大 1 になります。 |
| たとえば温度のような連続変数があります。資本主義型のようなカテゴリ変数があり、実験のバッチごとに非常に醜いものになる可能性のあるランダム効果があります。わかりました。 |
| シミュレーション モデルです。これは非常に単純なモデルです。混合主効果 M 1、M 2、M 3 があります。このモデル全体を見ると、固定効果はすべて 1 またはマイナス 1 であることがわかります。1 マイナス 1 をランダムに割り当てただけです。 |
| 混合主効果があります。ここでは混合 2 元相互作用があり、混合の相互作用は連続変数になります。 |
| そして、カテゴリ変数とコンポーネントの相互作用。そして最後に、カテゴリ変数と連続変数の導入です。 |
| さらに、ここではランダム効果とランダム誤差である Ej を選択しています。その通りです。そして、どちらも一定の分散で正規分布しています。先ほど言ったように、実験間の分散は、実験のバッチの一致内での分散を使用します。 |
| このプレゼンテーション全体から、この式全体を、よりきちんとした方法で表すために、またはこの形式を使用して、ヒーローXが実際にすべての修正効果とベータを表すために作成します。 |
| 私が使用したすべてのパラメータを表します。 そうです。そして、私の理由はここにあります。 実際には、予想どおりです。 実際に XP が正しい理由は、ここにランダム効果がないこの全体であり、ルノー市長を配ったからです。 |
| シミュレーションパラメータです。ここにはデータサイズがあります。データがあまりない場合はどうなるでしょうか？ |
| より多くのデータ レイヤーとより多くのデータがここにあります。ここでは 2 つのレベルがあり、各実験セットで 110,000 のロールがあり、実際には 200 行よりも 20 行の方が完璧な効果があります。他に変更する点は、クラスターのバッジを D が決定することです。お好みでどうぞ。 |
| 時々そうなるでしょう。私は2つのレベル4％と25％を持っているので、4％は、私がこれらの1バッチの経験の100ロールを持っている場合、私たちは |
| 実際にはロール用になります。つまり、2525 バッチになります。合計 100 ロールがある場合、バッチ サイズは 25% で、バッチは 4 つしかありません。 |
| ここで変更するもう 1 つの変数は、合計分散になります。 |
| ここでは 2 つのレベル、0.5 があり、2.5 は効果サイズの半分です。つまり、選択できる効果サイズは 2.5 です。これが式です。固定効果の場合はすべて 1 です。 |
| そしてもう1つは、この合計分散を合計して、バッチ間の分散とバッチ内の分散の合計を合計することです。そうです。そして最後に、私が変更するもう1つのことは、バッチ内の2つの比率です。 |
| 類似セグメントですね。1と4があります。 |
| バッチ間の変動は勝利と等しくなり、もう1つは勝利の4倍になります |
| そして、落ち着いたら |
| 4つの要因があります。パラメータと言い、その後、完全要因を実行します。16回の実行が必要です。 |
| データ サイズの 2 つのレベル、バッチ サイズの 2 つのレベル、合計分散の 2 つのレベル、アンジェロは砂漠でした。 |
| これで、セグメント間の計算ができます。これでシミュレーションの設定は完了です。これをシミュレーションハイパーパラメータと呼びます。 |
| 私がやろうとしていることは、デモで紹介します。30回のシミュレーションリスクを実行するか、実行します。16回のうちそれぞれ30回実行します。そうですね。たとえば、 |
| シミュレーションを123まで実行して、ダーティなエフェクトを修正します。難易度エフェクトのレベル。空間感覚のデザインを使用します。 |
| 私がこのスペース充填設計を使用する理由は、その場で欠落する効果と、慈善団体に電話をかけたり、データがまばらである可能性があるという事実を混同したくないからです。 |
| これは歴史的データではよくあることです。その通りです。私は、それを邪魔にしたくないのです。私は、デザインと空間感覚のデザインを好みます。 |
| 入力空間全体の固定効果のレベル。つまり、データにスパースヒットする問題や異常性を正しく取り除き、バッチに割り当てて、最初のラウンドでバッチクロスをランダム化し、同じものを使用します。 |
| 他の 29 回の実行すべてにわたるシーケンス。つまり、すべての実行で、同じ場所のバッチが得られます。 |
| 遅くなりました。そして最後に、サンタの位置はシミュレーション実行ごとにランダム化されます。それでは、空中から出てジャンプしてみましょう。 |
| そこで彼がやっていたのは、特別な目的のスピル設計を行うことです。ここでは高速化したいので、係数をロードします。とにかく、ここに 12345 の固定効果があります。 |
| 空間感覚のデザインは変数の混合を受け入れません。そのため、設定する必要があります |
| ここでの線形制約は、ここにある 3 つの要素を合計して 1 になるように指定するだけです。ここではこれを実行します。 |
| 大丈夫。 |
| これで、この制約を満たすと、データサイズが100で相対バッチサイズが4%であるこのdの最初の実行の例が得られます。 |
| 合計変動は5点、比率は1になります。ここで戻って100回実行する必要があります。また、この理論を再現するには、ランダムシードと開始回数を正しく設定する必要があります。 |
| 制約と言ったときに私が持つ唯一のオプションは、高速で柔軟な充填設計です。さあ、ここでテーブルを取得して、このテーブルを含められるようにします。 |
| 3 進ブロックを使用して 3 つのコンポーネントを使用すると、すべてが広がっていることがわかります。おっと。 |
| ここで問題なのは彼女が |
| しなかった |
| 戻ってみましょう。制約に問題があります。ここにあるものを忘れていました。はい。 |
| よし、もう一度やり直そう。100 |
| セット |
| ランダムシート 21234 |
| そして番号が始まります。素晴らしい。 |
| 次の本はテーブルを作る感じです。はい。そして、それがすべて広がっているかどうかを確認する必要があります。 |
| そして調べてみましょう。はい。では、ここでカテゴリ変数を見てみましょう。それがすべてに広がっているかどうかを確認したいと思います。ご覧のとおり、1 と 2 です。すばらしい。では、30 のシミュレーションをすべて終了しましょうと言いました。これは 1 つのシミュレーションですね。役割は 100 あります。 |
| しかし、今は 30 を実行する必要があります。そこで、ここでロールを追加します。 |
| 2900 |
| 最後に |
| そして、最初の 1000 回の実行、すみません、1 年間にすべての変数を 100 回実行することを選択します。 |
| そしてテーブルの端まで触ってみてください。素晴らしい。それで同じデザインを30回繰り返します |
| 今、 |
| より速くするには、開くだけです。ただし、このテーブルを再度使用します。表示したいものがすべて既に設定されている別のテーブルを使用するだけです。 |
| それで、この表に戻りました。次に、シミュレーション列を作成して、 |
| この式で、100行目までのシミュレーションがわかります。このシミュレーションは100行目まで、そして100行ごとにシミュレーション番号を変更します。つまり、1日の終わりには、100回のロールで30回のシミュレーションが得られます。 |
| 次にバッチの場所についてです。これはPowerPointで示したとおりです。ファームがあります。合計データサイズの4%の2つのバッチを作成します。つまり、バッチごとに4行、4行、ということになります。 |
| ここで 100 に到達し、シミュレーションからジャンプします。シミュレーションに戻りたいのですが、また最初からやり直しです。そうですね。それで、一日の終わりになります。 |
| 25 バッチすべてがここにあります。わかりました。 |
| 次にやることは検証を作成することです |
| 列、つまりセットを分割する必要があるので |
| このデモに戻って、PowerPointを見てください。私がこれから作成するソリューションでは、ニューロンが |
| 役割が分割され、60%がトレーニングセット、20%が検証セット、残りの22%がテストセットに属します。では、その場合、どうすればよいでしょうか。ジョンに戻ります。 |
| さあ、これを隠しておこう |
| さて、検証を検証します。どうやってやればいいのでしょうか。すでにありますが、どうやってやるのか説明しません。分析に進みます。 |
| 検証列を作成し、シミュレーション列に認証を取得したら、 |
| ポイント6.5 2.2とユーザーにランダムシードをここで与えると、その列を正しく作成する方法がわかります |
| それではここで私のプレゼンテーションに戻りましょう。 |
| 新年のトレーニングセットに属する60％と、残りの10〜20％は |
| ニアネットの検証セットにも属しています。現在、これらは両方とも、ミックス効果のモデリング セットと呼ばれるセットに属しています。つまり、ミックス効果です。 |
| モデルは検証されません。この80%と混合効果ソリューションのテストセットでモデルを推定しただけで、これは新年にそのソリューションで使用する20%と同じになります。その場合は、ジャンプに戻って |
| ここに行く |
| そして、ゼロはニューラル ネットの検証を意味し、ゼロはトレーニングを意味するという式を聞くのは素晴らしいことです。つまり、トレーニング中であり、トレーニングがまだ続いているということです。 |
| 1つは検証設定で、これは私のモデリングになります。2つ目はテストセットで、これも私のテストセットになります。これらを作成して、 |
| すべてのラベルの列名 0 はモデリング、1 はデスクになります。こうすることで、ここに保存されているものはすべてここで確認できますが、検証を緊張させるとモデリングになります。最後に、応答の数式を設定する必要があります。 |
| シミュレーションの期待値についてですが、ここでは効果の式を修正するだけです。ランダム項はありません。わかりました。これが私の妻の期待値です。私の妻のijは |
| これと式を見ると、期待値であるyがあり、ここに生成するための式があります |
| ランダム |
| 平均がゼロでσσの間の正規分布に従う値 |
| シグマの間。ここで変数に設定し、テーブル変数として設定すると、後で数式に行かずに値を変更できるため便利です。いずれにせよ、バッチ番号を変更するたびに単一の値が生成されます。バッチが |
| ここでは同じ値になりますが、これを 22 に変更すると別の値が作成されます。 |
| そして、あるシミュレーションから別のシミュレーションに変更すると、シミュレーション 1 のバッチ 25 ごとに 1 つの値が作成され、シミュレーションのバッチ 1 にジャンプすると別の値が作成されます。 |
| そうです。そして、ここに私がテーブルに置いたシグマの通常のランダムな数字があります。それで、私たちが実行している取引を再現したものを見てみましょう。私はシグマ05と05を持っています |
| さて、それでは、ミックス エフェクト モデル シミュレーションのソリューションがここにあります。ここで戻って、何をしているかをお見せしましょう。 |
| たとえば、ミックス効果モデルの場合、私のシミュレーション モードはこれですが、モデルの問題は分析によって解決される可能性があります。 |
| そして、私の小さなビーはハッキングされるでしょう。だから、私がシミュレートしたものの値を満たすのは私たちのビーチです |
| そして、ミックス効果モデルでは、予測モデルを減らす必要があります。1つは、条件付きモデルを当てはめることです。 |
| ランダム効果の私の推定値と、そうでない場合の限界値です。そうですね。つまり、これら 2 種類のモデルがあるということです。 |
| これは、データ内にすでにあるものを予測するのに適しています。これは、データセット全体がない場合にデータを予測するために使用するものです。 |
| 新年に向けて、私は標準的なデフォルトの、終わり近くとジャンプを使用していますが、これは難しいから使用しているのではなく、ほとんど機能するからです。 |
| ここに5つの固定効果がすべてあります。ここでわかるように、私は3つのノードを持つ1つのレイヤーとすべての双曲正接関数を使用しています。 |
| そして、ここには hx と呼ばれる関数があります。これは、地区関数の合計であり、バイアス項もここにあります。 |
| ノードを追加しても、状況は改善されません。ノードを 2 つだけ使用すると、状況はさらに悪化します。そこで、これを全体に使用します。ここでお見せするのは、この方法です。 |
| 私のショー。おっと。わかった。 |
| 見せる。 |
| 私はあなたのところに戻ります。だから |
| ここに私の |
| 混合効果モデルのソリューション。どうやってそれを思いついたのか。ただお見せするだけです。ここにシミュレーションによる混合効果の検証を行った応答があります。 |
| 固定効果は1年分、ランダム効果はバッチで、遺伝的効果は最初のシミュレーションです。シミュレーション1を見ると、シミュレーショントルコまで続きます。 |
| たとえば、ここではジャンプのシミュレーション機能を使用できませんでした。なぜなら、バッチごとに検証列を変更しているため、少なくとも、検証列を次の式に組み込む方法がわかりません。 |
| 私はGを白にします。 |
| それで、おっと、ここに戻って、ここに別のスクリプトがあります。少し時間がかかります |
| 大きな問題ではないはずです。 |
| たとえば私がやっているとき。 |
| 実行します。シミュレーションごとに1000行あり、10分から15分程度かかります。 |
| ここで同時に聴覚シミュレーションを行うと、 |
| そして |
| さあ、行きましょう。 |
| では、ここでもう一度見てみましょう。それぞれに5つの3つの音符があります。シミュレーション1からシミュレーション30まであります。 |
| そうです。これで今年の1回目の実行がすべて終わりました。次に理解する必要があるのは、正方形の種類です。比較してみましょう。 |
| ここには 5 種類の平方があります。これが R 平方の式です。なぜここで DI 平方を種類ごとに区別するかというと、この式で実際の値と予測値のどちらを使用するかによって異なるからです。 |
| ご存知の通り、二乗の変化があります。例えば、ここにあります。これらはrの二乗または比較の一種です |
| 例えば、ローザはトレーニングセットを回します。私がシミュレーションしたものと、ニューラルネットで得たフォームを比較すると、実際には |
| 例えば、これら3つはすべて同じものです。なぜなら、私は妻を比較しているからです。妻の帽子も同じです。つまり、私はタイプ8です。 |
| 次に、比較する別のタイプがあります。シミュレーション値と実際の値を比較しているわけではありません。 |
| ランダムエラー項のランダム効果私はシミュレーションの期待値と実際の値を比較しています |
| したがって、これらにより、テスト セットのルールは常に同じになり、r の二乗を計算する方法が次のように変更されます。 |
| 条件付きテストセットと呼んでいるものがある場合、親の将来のパフォーマンスを見ることができます。これは、データセットがある場合に得られるものとまったく同じであり、実際のパフォーマンスはわかりません。 |
| 実際のモデルはないので、シミュレーションする必要があります。そして、期待されるテストセットがあります。これは実際には同じバラですが、今比較しています。 |
| 期待値。適切な言葉が見つからないのですが、実際の将来のパフォーマンスと言えます。つまり、見かけ上のパフォーマンスが必ずしも実際の将来のパフォーマンスであるとは限りません。わかりました。 |
| ミックス効果モデルも同様です。ここではシミュレーション値と私の値を比較しているので、別の種類のr2乗があります。 |
| 条件付き予測農地はここで、ランダム効果の推定値を使用していますが、将来を予測したいとき。つまり、テストセットの両方の条件を破る人はいません。ここに別の四角形dがあり、これは全体のシミュレーション値を比較しています。 |
| なぜijと私の限界モデルがここにあるのか。私はここにいるのではなく、レスリーが私たちの正方形の5番目のタイプを持っていることを期待しています。 |
| 繰り返しますが、テストセットは常に同じ役割です。ここで使用しているのはそれです。期待値とマージンです。たくさんあります。問題は |
| そこに注意しないと、間違った R の二乗を計算してしまう可能性があります。 |
| 私がやっていることは、ここにあるときはいつでも、そしてミックスエフェクトモードにする必要がある場合、このレポートにあるものは何も使用せず、ここにある列を保存するだけです。 |
| 限界モデル右予測ファームでは、条件付きモデルの予測式を保存しました。このフォームレスで列を作成します。これはミックス効果モデル用です。 |
| 近くに数式を保存することもできます。私は単に平方数を計算したいだけなので、高速数式と呼んでいます。そのため、高速数式として保存し、ここで 5 つの列を作成すると、表示されるようになります。 |
| わかりました。それでは彼らのところへ行ってきます。 |
| さて、私のタイプAは、台北でのプレゼンテーションを覚えているなら、このモデルでシミュレートされたwhy ijと私のnearを比較しています。ここで私がやっていることは、すみません、ここでやっていることは |
| 私は彼らに情報を呼びに行き、ここにいます。何を予測し、dy AJを予測する |
| はい、ここにあります。ここで De Niro が保存した値は、彼の 2 倍の値からこの値に等しくなります。 |
| しかし、ここで予測するものを変えます。これは期待値を予測するものです。この式を使って、モデル比較にジャンプして、このタイプAを使用してシミュレーションを購入し、検証によって成長します。 |
| そして、あなたが得るもの。必要なのはドクタースクエアだけです |
| から見る |
| シミュレーション1から |
| シミュレーション30まですべて設定しておけば、後でデータテーブルを結合してすべてをきれいにできます。これらは四角形です。他のものについては、たとえばスクリプトも用意しました。 |
| 彼は平和の公式でした。この列の右側で、私はモデリングや検証セットではなく、テストセットのr二乗のみを予測しました。つまり、シミュレーションです。1年です。 |
| そして、ここまで下に進むと、シミュレーション 30 が表示されます。ここでも、データ テーブルをいつでも結合することができ、データはすべて同じテーブル形式で出力されます。これらのデータはすべて四角形です。 |
| ダニエル、もちろん、タイプ コ ファイア スクエア用の別のスクリプトをここに用意できます。混合効果モデルのモデリング セットを選択し、シミュレーション 1 からモダン セット、シミュレーション 30 まで選択して、同じ操作を行います。 |
| テストセットを見てください。しかし、今、なぜijを予測しているのですか。つまり、ここでの秘密は、湖の中にも時々1つあるということです。ここでも同じ式があります。これは、私の限界モデルだからです。 |
| ミックス効果モデルのソリューション。変更されたのは、あなたのコラムにあるものだけです。何を予測しているかを確認し、これを使用してこれらすべてが正方形であることを計算できます。 |
| よし。 |
| プレゼンテーションに戻りましょう。これらはすべて正方形なので、テーブルを積み重ねて視覚化を行うことができます。 |
| しかし、ここで私が本当に興味を持っているのは、両方のソリューションの条件付きテスト セットと、ここで述べられている期待値です。ご存知のように、この表の表示について話すだけで 45 分かかることもあります。 |
| しかし、私が本当に興味があるのは、rの2乗の絶対値ではなく、むしろ、2乗を比較する方法です。 |
| しかし、ここにあるデータサイズを確認するだけでも数日かかります。 |
| ここでポインターを使用します。簡単にします。すべての四角形があります。ここで作成したすべての要素と、すべての do you 要素を比較します。 |
| つまり、データセットが小さい場合、何が起こるかは、トレーニングによって近くで正しくトレーニングされているかどうかによって決まります。 |
| そして、私の検証セットは、重なり合う正方形の分布を持っています。しかし、条件付きテスト セットを見ると、実際には期待値が得られないため、常に正しいデータであることがわかります。 |
| ご覧のとおり、データ セットが小さい場合は常に下位レベルにありますが、データ セットが大きい場合はさらに下位レベルになります。 |
| 1000の役割では状況が異なり、すべてが揃って、重なり合っています。そのため、私はこれらを正しくトレーニングしました。ここでも、正方形の絶対値はあまり関心がありません。彼らが本当に気にしているのは、あなたが戻ってみると、 |
| 先ほどのスライドの 1 つで、比較したい点があります。ベンチマーク混合効果モデルとニューラル ネットの予測パフォーマンスを、その黒い四角形のテストと比較してもらいたいのです。それで、結果は次のとおりです。 |
| この型を取りましょう。ここで得られるのは、再びすべての動詞です。私は、私たちが行うために、そして彼らが |
| 病気とネットソリューション、または混合効果ソリューションはありませんでした。条件付きテスト セットについては、パフォーマンスの一部であることがわかります。そのため、その間にデータ サイズが小さい場合は常にわかります。 |
| ミックス効果マルタは常にここでより良い仕事をしています |
| ランダム効果は、常にこれがあるためです |
| 中央値や平均値はどれも高いのですが、データセットが大きくなると |
| ある程度まで、その違いはもはや存在せず、新しいものでもここではより良い仕事をしているということがわかりますが、それが現在のパフォーマンスです。 |
| 次は本当の話です。ミックス効果モデルは、行為とインターネットよりも優れた役割を担っていることがおわかりでしょう。 |
| そして、ここには、ご存知のとおり、根拠さえありません。結局のところ、直接効果モデルだからです。彼は、特にビッグデータ、ビッグデータというこのシナリオでは、より良い仕事をしています。 |
| 最後のセットまたは変動性、そして招待されたデン間のその他の点については、ここにある行を見つけて、シミュレーション実行ごとにこれを実行し、ミックス効果の違いを確認します。 |
| R 平方と新年を比較すると、平方になります。それでは始めましょう。 |
| ここに4つのプロットがあります。1つだけ注目してみましょう。Y軸にあるのはエアコンの四角です。それからエアコンの四角の差を差し引きます。 |
| ミックス効果の r の二乗を引いた値がその四角形になります。これがここで得られる値であり、これが将来のパフォーマンスに対するパターンの違いです。 |
| そして、X軸には期待R平方の差が表示されています。実際の将来のパフォーマンス、正しいか、バイアスかを選択します。 |
| ブロックが4つあります。なぜなら、テクノロジーがないところで過去のデータがある場合、 |
| データを分析する場合、制御できるのはデータ サイズと相対的なバッチ サイズの 2 つだけです。 |
| なぜなら、データの変動性は制御できないからです。そして、ランダム効果がランダムな空気よりはるかに大きくなるとしたら、あなたができる唯一のことは |
| 制御できるのは、データ サイズと相対的なバッチ サイズです。タグがなくても、少なくとも履歴データを使用するかどうかはわかります。 |
| たくさんの寝室で構成されているべきです。1つか2つのバッチだけです。そうです。それがあなたが持っているコントロールの種類です |
| 統計データがあれば、少なくともバッチ サイズの概要を把握できます。 |
| つまり、ここで比較しているのは、明らかなパフォーマンスの問題の違いであり、違いはプラスであるということです。つまり、混合効果モデルの方がパフォーマンスが優れているということです。 |
| ここでのこの差もプラスであれば、ミックス効果が将来のパフォーマンスの向上につながることを意味しますね。 |
| ここでわかるように、データセットが小さい場合、何をしても問題ありません。 |
| そして、ミックス効果モデルはパフォーマンスがより優れており、場合によってははるかに優れています。これは、R 平方の差について言えば、1 をはるかに超える可能性があるためです。 |
| そうです、つまり、1つまたは将来の1つにポットすると、パフォーマンスが大幅に向上します。データサイズが小さい場合は、実際には |
| いいえ、解決策はありません。ただし、データ サイズを見ると、データ側は大きいですが、バッチの量が少量の場合はそうです。 |
| ここで面白いことが起こります。十分な資金と将来のパフォーマンスの違いがわかると、Y 軸はほとんどの場合マイナスになります。 |
| つまり、近い将来、特許の面でより良い仕事をするために、テストセットタハリール広場の権利または条件付き |
| その暗い四角に触れてください。それで、あなたがそれをするとき。誰が新しい尿のように見えるでしょうか。それは素晴らしい仕事になるでしょう |
| ミックス効果モデル。ただし、X 軸のロット、つまり実際の将来のパフォーマンスの差を見ると、かなり誤解を招く可能性があります。 |
| そうです。ここでは、大量のデータがあるのに、ほんの数バッチの場合、適切なテスト、テスト セットが正方形になります。しかし、将来的に金型を展開しようとすると、 |
| 問題が発生するかもしれません。しかし、ここで見てみると、大量のデータと大量のバッチがある緩和状況があります。したがって、それほど違いはありません。 |
| 結論として、データ セットが小さい場合は、無視できないランダム効果を持つ機械学習を使用する必要があります。そうしないと、テスト セットの予測パフォーマンスが低下する可能性が高くなります。 |
| とにかく、バッチのクラスターがいくつあっても、それは機械学習が成功するために最小限のデータサイズを必要とするからです。そうです。だから |
| ここでゲームに勝つ方法はありません。データ サイズが大きく、クラスターが少数の場合、これは誤解を招く状況です。テスト セットではパフォーマンスが良好であると予測されますが、モデルを展開するとパフォーマンスが Brewer になる可能性が高いからです。 |
| 何人かの人は私にこう言う。「では、なぜ正規化を使わないのか」と。たとえそうするとしても、このような状況ではそうしないだろう。 |
| テストセットのR二乗は良いかもしれませんが、それが正しいかどうかわからないので、 |
| ダーク スクエアでのテストや何らかのエラーを見るだけで、長期的な将来のパフォーマンスがどうなるかがわかります。 |
| しかし、データセットが大きく、多くのクラスターがある場合、全体的な状況は緩和され、すべてのランダム効果の合計により、より近い平均のバイアス効果が解消されます。 |
| ゼロです。できるだけ最新のものを入手してください |
| 一番最初に言いたいのは、データが意図的に設計されていない場合、私がいつも覚えている2つのことがあるということです。 |
| マシンランドは、データが大きいというだけでは対応できません。動作させるには、最低限の設計権限が必要です。 |
| しかし、データが大きければ大きいほど、データに偶然によって最小限の設計がすでに存在している可能性が高くなります。わかりました。ご連絡いただければ幸いです。私たちはジャンプ コミュニティに所属しています。こちらが私たちのアドレスです。ありがとうございます。 |
