揚聲器 | 成績單 |
| 法比奧·多塔維亞諾 | 好的，謝謝大家觀看這個影片。好吧，因為你可以看到，我將討論機器學習中缺少的隨機效應。 |
| 這是與我的同事 Joe Young 一起工作的想法，我們都在陶氏化學公司工作，在韓國工作，幫助您了解有效的開發新工藝，主要是新產品。 |
| 你在這個畫面上看到的是一個很大的賓果遊戲籠，因為我們這裡的談話將是關於模擬，而模擬至少對我來說有很多事情要做。 |
| 對於賓果遊戲盒，因為您決定了大型場合中球和數字的分配，然後您可以繼續按照自己的意願挑選它們。好的。 |
| 這個談話也與我們剛才所說的出版有關。 |
| 最近，相同的名稱，您可以獲得您應該有權訪問此簡報的內容，您只需單擊此處即可訪問整篇論文。這只是我們在那裡發布的內容的摘要。 |
| 好吧，這是什麼背景。嗯，首先，機器學習對知識會話有一種即插即用的吸引力。 |
| 我知道你不必假設任何有吸引力的事情。此外，現在有一個非常用戶友好的軟體。所以，你知道，現在人們喜歡這樣做。 |
| 然而，您知道，隨機效果無所不在，運行這些效果是一件有趣的事情，因為它是一個稍微複雜一點的概念。所以它往往不是 |
| 感人的基礎統計學課程展示了更高級的學科。因此，許多人會在對隨機效應缺乏了解的情況下進行機器學習。 |
| 即使他們有這樣的理解，那麼隨機事實的概念 |
| 你知道，這仍然不會引起人們對機器學習的激烈爭論，因為只有少數演算法可以使用隨機效應來做到這一點。 |
| 你可以在這裡查看這些參考資料，你會發現有一些樹木和隨機森林，它可以接受，但最近它們並沒有，你知道，傳播 |
| 到處。因此，您將很難找到可以處理機器學習中隨機效應的方法。 |
| 簡單談談隨機效應。正如你在這裡看到的，至少在我來自的化學行業是這樣。我們通常混合在一起。正確的。這些是黃色、紅色和綠色。 |
| 我們，我們將這些成分中每一種的百分比設定為不同的等級。然後，我們測量了更改時的響應、特定設備中這些組件的百分比，有時甚至有操作員或實驗室技術人員會 |
| 也會幹擾你想要看到的結果。好的。然後，當我們做這種實驗時，我們想要概括一下，結果是正確的，還是任何預測。我們正在努力到達這裡。 |
| 但問題是你知道我什麼時候在這裡混合這些綠色成分。如果我下次從今年為我提供綠色組件的供應商那裡購買 |
| 綠色製成的燈罩，你知道，非常，我不知道下次我購買這個綠色組件時會是什麼批次。供應商給我的會是完全相同的綠色嗎，因為供應有變化 |
| 最重要的是，我可能會告訴你使用某種設備的經驗。但如果我去我的實驗室或其他實驗室看看，我可能有不同品牌的這些設備。 |
| 並在上面。你知道，也許食物的測量取決於操作員的正確做法，所以你也可能會干涉，讓我的食物變得貧窮。 |
| 這裡對我的概括進行預測 |
| 除此之外，在這裡做我想預測的任何事情 |
| 這就是我猜測在化工產業最典型的，就是實驗批次變異性的實驗 |
| 如果你一遍又一遍地重複同樣的事情，就會超時。 |
| 假設你在這裡有一個實驗，你得到你的模型，你的模型可以預測一些東西，但然後你重複這個實驗，讓另一個 Malden 得到另一個模型，這三個模型的預測。 |
| 現在可能有很大不同。尼克清晰可見。所以，還有時間的成分。 |
| 那麼我在這裡談論的問題是什麼。嗯，通常我們儲存的資料和歷史資料只是說，你知道，你過去所做的一些資料的集合。 |
| 人們並不太在意推廣這個結果。他們進行那個實驗時的結果。因此，當我們收集它們並將其稱為歷史數據時，我們可能有也可能沒有隨機效應的標籤，對吧。 |
| 如果你有文字，至少是我來自的地方。這更像是規則的例外，就是對我的事實不徵稅，至少不是對所有事實徵稅。 |
| 假設您有標籤。您可以做的一件事是使用可以處理這些隨機效應的機器學習技術，將它們引入模型。就是這樣。你沒有問題。 |
| 但正如我所說，機器學習技術並不是很麻木，可能會阻礙隨機效應。您可能會想使用機器學習。 |
| 讓隨機效應進入模型，就好像它們是固定的一樣，然後你會遇到這些眾所周知的問題，你應該要處理這個固定的隨機效應 |
| 只是說一件事，你將很難預測即將到來的任何新的一切，因為，例如，如果你的隨機效應是歐洲的，那麼你只有幾個 |
| 你的資料中的操作員，對吧，有幾個名字，但如果有一個新的操作員在工作幾天，你就不會。您無法預測這個新運算子會產生什麼效果。所以，這裡沒有交易 |
| 然後你可以做一件事。你做。你應該有或你不應該有稅收收入，我們再次為我們犧牲了任何機器學習技術。 |
| 如果你有隨機性，你應該有忽略隨機效應的標籤，或者如果你沒有。無論如何，你都會忽略它。不管你喜歡與否。所以我想做的是少一點模擬射擊遊戲。我們使用跳繩釣魚。 |
| 你知道，我希望你喜歡這個結果。 |
| 基本上是模擬。所以我將使用具有固定效應和隨機效應的混合效應模型。然後我們使用相同的模型來估計 |
| 對此做出反應後，我進行了模擬和建模，我的模擬結果是用神經網路對的 |
| 那我們這裡就用這個模型來作為這個模型的預測效能。 |
| 作為基準，我們用它來預測邊緣附近的性能，你知道，稍後比較他們正在使用的測試集是正方形，看看會發生什麼。你發現這裡符合隨機效應，對吧。 |
| 那麼，好吧。有時，當我談論這些人時，我有時會認為我正在將線性混合效應模型與機器學習神經網路進行比較。事實並非如此，你知道，這裡我們正在比較具有和不具有隨機效應的模型。 |
| 即使資料存在隨機效應。我可以做。例如，一個 |
| 運行效果的線性模型與不運行效果的線性模型。 |
| 我可以在尿液中建立一個具有隨機效應的神經網絡，而不是沒有隨機效應的神經網絡。但問題是，今天這並不奇怪，例如，它可以處理隨機效應。於是我就強行用了。例如，所有的線性混合效應 |
| 我的模擬因素。好吧，我將使用行業中典型的東西，它是與過程變數模型的混合體。 |
| 假設我有這三個組件。我之前有給你看過。知道黃色、紅色、綠色，它們有一定的百分比，並且最多可達 1。 |
| 有一個連續變量，例如可以是溫度。我有一個可以是資本主義類型的分類變量，而且我有一個隨機效應，從一批實驗到另一批實驗，這種效應可能非常難看。好的。 |
| 仿真模型。嗯，這是一個非常簡單的效果，我在這裡有我的混合主效果 M 1 M 2 和 3。正確的。您將在整個模型中看到固定效應全部為一或負一。我只是隨機分配給他們一減一。 |
| 所以我得到了混合物的主效應。這裡我有混合物兩種交互作用，混合物的相互作用將是連續變數。 |
| 以及分類變數與組件的相互作用。最後，引入連續變數和分類變數。 |
| 另外，我有這些，為什麼我們在這裡選擇我的隨機效應和 Ej，這是我的隨機誤差。正確的。兩者都服從常態分佈，並且具有一定的變異數。我說的是更好的實驗之間的差異，對吧，並且在批次實驗的匹配中使用差異。 |
| 從整個簡報來看，只是為了讓整個公式代表一種形成，我說更簡潔的方式或使用這種形式英雄X實際上代表了所有修復效果和測試版 |
| 代表我使用的所有參數。正確的。我為什麼在這裡。其實，也在意料之中。為什麼XP實際上是正確的，這整件事沒有我的隨機效應在這裡，我們處理了我的雷諾市長。 |
| 模擬參數。嗯，我這裡有一個資料大小，對吧，就是她的那個。如果我沒有那麼多數據並且沒有那麼多數據，會發生什麼？ |
| 更多資料層和更多資料在這裡我有兩個級別，每組實驗有110,000 個角色，實際上有20 行比200 行完美的效果。 ，無論你做什麼喜歡它。 |
| 有時會是這樣。它是，我有兩個等級 4% 和 25%，所以 4% 意味著如果我有 100 卷這一批經驗，我們將 |
| 實際上是為了角色。所以我會有 2525 個批次。如果我總共有 100 卷，批次大小為 25%，而我只有四批。 |
| 那麼我們在這裡更改的另一個變數將是總方差。正確的。 |
| 好吧，我們這裡有兩個級別，點，5，2.5 是效果效果大小的一半，可以選擇。所以這裡的公式。都是為了固定效果。 |
| 另一個是寫，這個總變異數的總和是批次之間和批次內差異的總和。正確的。最後，我要改變的另一件事是非常內兩者之間的比率 |
| 類似的片段。正確的。所以我有一和四。所以在我的一 |
| 批次之間的變化將等於獲勝，而另一組變化將是獲勝的四倍 |
| 然後，一旦我安頓下來就是為了 |
| 這裡有四個因素。我說參數，然後你做一個完整的階乘，我們是否有 16 次運行的權利 |
| 對於兩個等級的資料大小、兩個等級的批次大小、兩個等級的總方差，安吉洛的情況就是沙漠。 |
| 這樣，我就可以在段內相應地計算它。正確的。這就是模擬的設定。好的。現在，我將其稱為模擬超參數，因為您可以像我們一樣進行更改 |
| 我會做什麼，我將在演示中向您展示。這將是 30 模擬風險或我們運行。所以我做的 16 件事中，每一件事我都跑了 30 次。正確的。所以，舉例來說， |
| 我將模擬運行 123 直到髒並獲得固定效果。 ，難度水準的影響。我採用的是空間感設計。 |
| 我使用這種空間填充設計的原因是不想將缺失的效果與隨後的效果混淆，因為我可能有一些稱為慈善機構或稀疏數據的事實。 |
| 這是歷史資料中的典型現象。正確的。我不想讓它妨礙我。我想，我更喜歡我們傳播的設計和空間感設計 |
| 輸入空間中的固定效應水準。因此，如果我擺脫了稀疏命中資料的問題或清理了奇怪的地方，然後我們分配給批次，我們將批次在第一輪的運行中隨機化，然後使用相同的 |
| 對所有其他 29 次運行進行排序。所以所有的運行，我們都有同一批的位置。 |
| 晚了。最後，每次模擬運行時，所有聖誕老人的位置都會被隨機化。所以讓我離開空中並開始跳躍。 |
| 所以他會做的是，我曾經做過我們專門的溢出設計。我將在這裡加載我的因素只是因為我想在這裡快點。無論如何，這裡有我的 12345 固定效果。 |
| 空間感設計不接受變數的混合。所以你需要設置 |
| 這裡的線性約束只是為了告訴大家要看這三個人，需要加起來為一。這就是我要做的事。 |
| 好吧。 |
| 因此，滿足該限制將給出此 d 的第一次運行的範例，其中我的資料大小為 100 相對批量大小 4% |
| 總變異數 總變異數點為 5，比率將為 1。因此，如果我返回此處並需要放置，我需要產生 100 次運行。另外，如果我想複製這個理論，你必須正確設定隨機種子和開始次數 |
| 那麼當我說約束時我唯一的選擇就是更快更靈活的填充設計。讓我們開始吧，我把表格放在這裡，這樣你就可以包括這張表格。 |
| 您看到的一件事是，如果您使用三元塊並且使用三個組件。你會發現一切都是分散的。哎呀。 |
| 我這裡有一個問題，她 |
| 沒有 |
| 讓我回去吧。是的，約束有問題。我忘了這裡有一個。是的。 |
| 好吧，讓我們重新開始吧。百 |
| 放 |
| 隨機座位21234 |
| 並開始編號。偉大的。 |
| 下一本書的感覺做表。是的。然後我只需要檢查它是否全部散開。 |
| 並找出答案。是的。好吧，那麼我在這裡看看我的分類變數。我想看看它是否對所有人都適用。正如您所看到的一和二。偉大的。現在我說讓我結束我們所做的 30 次模擬。所以這是一種正確的模擬。我有 100 個角色。 |
| 但現在我需要做30個。 |
| 2900 |
| 在最後 |
| 我們只選擇前 1000 次運行，抱歉，一年 100 次運行所有變數。 |
| 並感覺到桌子的盡頭。偉大的。所以現在我重複同樣的設計30次是對的 |
| 現在， |
| 為了使其更快，只需打開即可。不過我又用這張桌子了。只需使用另一張桌子，我已經設定了我想要顯示的所有內容。 |
| 所以，是的，我已經回到這張桌子上了。接下來我要做的就是在這裡建立一個模擬列，只是為了告訴大家看 |
| 這裡用這個公式。我可以說，模擬最多 100 行，百次模擬一次，然後每一百次更改一次類比數位。所以最終我顯然得到了 30 次模擬和 100 次擲骰。每一個偉大的 |
| 然後是批次位置，只是為了解釋他們做了什麼。我剛剛在 PowerPoint 中展示了這一點。我有一個農場。現在，您將建立兩個批次，其大小為總資料大小的 4%，這意味著我這裡每個批次有四行，而不是四行，依此類推。並且一旦 |
| 我在這裡達到 100，並且從模擬中跳出來。想要模擬的話就一切從頭開始。正確的。所以我最終還是做到了。 |
| 全部25批次都在這裡。好的。 |
| 然後我要做的下一件事是創建我的驗證 |
| 列，這意味著我需要正確拆分集合，以便 |
| 回到這個演示。回到這裡的 PowerPoint，您會看到我將要創建的解決方案，但我擁有的神經元 |
| 角色分為60%屬於訓練集，20%屬於驗證集，另外22%屬於測試集。那麼在這種情況下我該怎麼做呢？ |
| 我們開始吧。讓我隱藏這個 |
| 好的，那這裡驗證驗證就來了。我該怎麼做呢。它已經在那裡，但不解釋你如何做，你去分析 |
| 使驗證列您使用您的模擬列有認證，然後您就可以做 |
| 第 6.5 點 2.2 和用戶在此處使用隨機種子只是為了確保您看到這就是我正確創建該列的方式 |
| 然後我再回到我的演講。 |
| 所有 60% 屬於新一年的訓練集，剩下的 10% 到 20% 屬於新一年的訓練集。 |
| 也屬於近網驗證集。現在它們都屬於一個稱為混合效果建模集的集合。所以混合效果。 |
| 模型，不會有驗證。只是用這個 80% 估計了模型，而混合效果解決方案的測試集將與我在新的一年中使用的解決方案相同的 20%。所以在這種情況下，我會回去跳躍並 |
| 去這裡這個 |
| 很高興聽到公式，你知道零意味著神經網路的驗證為零意味著訓練，所以訓練，仍然是訓練。 |
| 一是驗證設定將是我的建模，二是我的測試集，它也將是我的測試集。所以我創造了這些，然後你 |
| 所有標籤的列名稱零將是建模，一將是辦公桌，這樣你就可以在這裡看到他在這裡說的任何內容，但是你要進行驗證的內容就變成了建模，然後最後我需要設定我的回應公式。 |
| 所以對於我的模擬的期望值。我只是在這裡修復效果公式，這裡沒有隨機術語。好的。這就是我的妻子和妻子 ij 的期望值 |
| 這個你看看你有 y 的公式，這是我的期望值加上這裡我有一個生成公式 |
| 隨機一個 |
| 服從平均值為零且在 sigma sigma 之間的常態分佈的值 |
| 西格瑪之間。這很像在此處設定變數並作為表變量，因為我可以在一周後更改該值，而無需使用公式。但無論如何，每次更改批次號碼時都會產生一個值。所以如果我的批次是 |
| 當我將其更改為 22 時，這將是相同的值，它會創建另一個值。 |
| 當我從一種模擬切換到另一種模擬時，還有你。因此，我將為每批 25 25 個模擬一個值，然後當我跳到第一個模擬批次時，它會建立另一個值。 |
| 正確的。這只是我在桌子上設置的帶有 sigma 的正常隨機數，對吧。因此，請參閱一些複製我們運行的交易的交易，我有 sigma 05 和 05 |
| 好吧，現在我已經有了混合效果模型模擬的解決方案，讓我回到這裡向您展示我在做什麼。 |
| 例如，對於混合效應模型。我的模擬模式是這樣的，但是我的腳模型將是問題所在，分析可能是帽子。 |
| 我的小本位將會被駭客入侵，對吧。所以，我們的海灘符合我模擬的任何值 |
| 然後在混合效果模型中。我必須減少預測模型。一種是我使用時擬合條件模型 |
| 當我不這樣做時，我對隨機效應和另一個效應的估計是我的邊際效應。正確的。所以我有這兩種類型的模型。 |
| 這對於預測我已經在數據中擁有的東西很有用。這是我用來預測沒有完整資料集的資料的東西，對吧。 |
| 在新的一年裡，我使用的是，你知道的，標準預設類型的接近和結束時的跳躍，你知道我不只是使用它，因為它很困難，因為他非常有效。 |
| 這裡有所有五個固定效果。我使用具有三個節點的一層，所有雙曲正切函數，如您在此處看到的 |
| 然後這裡有一個名為 hx 的函數，它是區域函數的總和，加上這裡的偏差項，對吧。 |
| 所以如果我新增更多節點。這並不會讓事情變得更好。您發現只使用兩個節點，那麼情況會變得更糟。所以我要全部使用這個。這就是我要向您展示的內容。 |
| 我的表演。哎呀。好的。 |
| 展示。 |
| 我回到你身邊。所以 |
| 這裡我有我的 |
| 混合效應模型解決方案。我是怎麼想到這個的。只是為了向你展示。我在這裡得到了我通過模擬對混合效果進行驗證的響應。 |
| 我一年中所有的固定效應和我的隨機效應是我的批次正確，然後是第一個模擬的遺傳。你看模擬一，它一直到模擬土耳其吧 |
| 例如，我無法使用此處的模擬跳轉功能，因為我正在更改每個批次的驗證列，所以我不能，至少我不知道該怎麼做，如何將驗證列合併到的公式 |
| 我白G。 |
| 和。好的。所以，哎呀，回到這裡，然後現在我這裡有另一個腳本，你需要花一點時間 |
| 應該問題不大。 |
| 例如當我做的時候。 |
| 跑步就是你跑的。我們每個模擬有 1000 行，可以隨時學習 10 到 15 分鐘的課程 |
| 要同時進行聽覺模擬，應該會出現一些問題 |
| 和 |
| 我們開始吧。 |
| 好的，所以我再一次，如果你看每個人都有五個三音符，好吧，你有模擬 1 一直到模擬 30 |
| 正確的。現在我已經完成了一年中的所有工作，對吧，所以接下來我需要了解的是我們的方塊是什麼類型。我要比較一下，其實有 |
| 這裡有五種類型的正方形，對吧，這是 r 平方公式。為什麼，為什麼我在這裡按類型區分 di 平方，因為這取決於您在該公式中使用的實際值與預測值。 |
| 你知道你的平方變化。例如，我這裡有。哦，這些是 r 平方或比較的類型 |
| 例如，The Rosa 轉動訓練集。我模擬的內容與我在這裡得到的神經網路形式的比較，因為當你身處其中時。你知道，這實際上是 |
| 例如，在所有這三個例子中，都是同一件事，因為我正在比較我的妻子，而我妻子的帽子是相同的。所以我有正確的八型 |
| 然後我有另一種類型，稱之為我比較的類型。我不，我沒有將模擬值與實際值進行比較 |
| 隨機誤差項中的隨機效應我正在將模擬的預期值與它們的形式進行比較 |
| 因此，這些使我發送到測試集的規則始終相同，只是計算 r 平方的方式會發生變化，因為這裡採用這種方式。 |
| 當我擁有所謂的條件測試集時。我看到了父母未來的表現，因為這正是我們在擁有任何數據集時所得到的結果，因為我們無法告訴真實的情況 |
| 我們沒有需要模擬的真實模型，然後您就有了預期的測試集，它實際上是同一朵玫瑰，但現在我正在比較 |
| 預期值。我可以說，缺乏更好的詞彙來形容，這是真正的未來表現。因此，表觀表現並不一定是未來的真實表現。好的。 |
| 對於混合效果模型是相同的。現在我有另一種類型的 r 平方，因為在這裡我將模擬值與我的值進行比較 |
| 這裡有條件預測農田並使用估計來產生隨機效應，但是當我想預測未來時。所以，好吧，沒有人破壞這裡的測試設定這兩個條件，我這裡有另一個方塊 d ，它正在比較 I 的整個模擬值 |
| 為什麼 ij 與我的邊際模型在這裡。我不會使用“就在這裡”和萊斯利來擁有我們廣場的第五種類型，這是我所期望的 |
| 同樣，測試集始終是我在這裡使用的相同角色。現在，預期價值與我的利潤。很多。所以問題是 |
| 如果你不小心那裡。你可能會計算出錯誤的 r 平方。 |
| 所以我所做的就是，每當我在這裡的時候。如果我必須混合效果模式。我沒有使用此報告中的任何內容，我所做的就是保存此處的列，我保存了我的 |
| 邊際模型右預測農場在這裡您已經保存了條件模型右的預測公式，我將使用這個用於混合效應模型的無形形式來建立列。現在對於 |
| 在那附近，或者您也可以保存公式。我喜歡說巨星公式，因為我只想計算我們的平方。因此，我被保存為快速公式，然後您在此處創建這五列時看到的內容。 |
| 好吧，讓我去找他們吧。 |
| 所以現在我的類型 A，如果您還記得此處演示中的台北，請類型比較模擬的 Why ij 與該模型中的 my Near 。那我在這裡做什麼。抱歉，我在這裡做的是 |
| 我去給他們打電話，你可以看到這裡。預測什麼並預測 dy AJ |
| 好的，就在這裡。現在我這裡救了德尼羅，那從他身上得到的兩倍值就等於這個值。 |
| 但現在我只是改變對這裡的預測。這是預測期望值。是的，這樣我就可以使用這個公式，這裡是功能跳轉，這是模型比較，我可以去使用這個A型，我確實買了一個模擬，我是通過驗證長大的 |
| 然後你會得到什麼。這就是您需要的所有 Dr 方塊 |
| 看到從 |
| 從模擬一 |
| 一直到模擬 30，你就可以按組獲得它，這樣你以後就可以組合數據表，你就可以得到一切整齊的東西，對吧，因為這些都是正方形。因此，對於其他的，我也在這裡編寫了腳本，例如 |
| 他是和平的典範。現在在本專欄中，我只預測為測試集設定 r 平方，而不是為建模，而不是為驗證集設定 r 平方。於是模擬。一個就是一年。 |
| 然後，如果您一直走到這裡，您將獲得模擬 30。 |
| 丹尼爾，顯然我可以在這裡為類型 co 火方塊提供另一個腳本，我們選擇混合效果模型正確的建模集和模擬 1 一直到現代設置到模擬 30，你知道做同樣的事情。 |
| 現在看看測試集，但現在我正在預測為什麼 ij，對吧。所以，這個，比如說，這裡的秘密是，即使有時在湖裡也有一個。我再次使用相同的公式，因為這是我的邊際模型 |
| 混合效應模型解決方案。唯一改變的是你的專欄「我為你」。確保你已經預測了什麼，然後你可以用它來計算所有這些都是平方。 |
| 好的。 |
| 讓我回到演示，現在既然我把所有這些都是正方形放在一起，你就把桌子堆起來，然後你可以進行可視化，你想要 |
| 但在這裡，我對兩種解決方案的條件測試集以及這裡所說的預期非常感興趣，你知道，我可以花 45 分鐘來討論這裡的表格顯示。 |
| 但我對 r 平方的絕對值並不真正感興趣，而是比較比較我們的平方的一種方式 |
| 但我需要幾天時間來檢查一件事，正如您可以在此處看到的那樣，這裡的資料大小如您所見 |
| 他們在這裡使用指針。讓事情變得更容易。我有所有的正方形。我在這裡創建了所有你所做的因素。正確的。 |
| 所以你看，當我有一個小資料集時，會發生什麼，我是我的近鄰，並且因為我的訓練而得到了正確的訓練。 |
| 我的驗證集有重疊的方形分佈。但是，當你查看條件測試集時，這實際上是我們始終擁有的數據，因為我們從未獲得預期值。 |
| 當我有這個小數據集時，它總是處於較低的級別，就像你看到的所有這些一樣，但當我有更大的數據集時。 |
| 情況有所不同，有 1000 個角色，那麼它們都是對齊的，你知道，有點重疊。所以我確實正確地訓練了這些。再說一次，我們這裡的廣場的絕對價值並沒有多大興趣，他們真正關心的是，你知道，如果你回到 |
| 這裡是較早的一張投影片，你看，現在我想進行比較。你看，我必須，我希望你將我的基準混合效應模型與我的神經網路的預測性能進行比較，以測試那個黑色方塊，對吧。所以，這就是你得到的。 |
| 讓我拿這個模具。所以你在這裡得到的又是所有動詞。我必須做我們，無論他們 |
| 病與你的淨解或未混合效果解。因此，您會看到條件測試集是效能的一部分。因此，如果您在此期間，您總是知道資料大小何時較小。 |
| 當你包括以下內容時，馬耳他語的混合效果總是做得更好 |
| 隨機效應對你來說是正確的，那是因為總是有這個 |
| 它們的中位數甚至平均值都更高，但是當你有更大的數據集時，那麼 |
| 你知道，在某種程度上，這種差異已經不復存在，即使是新的也只是在這裡做得更好，但這就是目前的表現。 |
| 現在是真正的了。現在您看到，混合效應模式比契約與網路的效果更好 |
| 你知道，這裡不再有任何理由，因為歸根究底，就是直接效果模型。他做得更好，特別是在這個場景中，也就是大數據更大的數據。 |
| 最後一組或可變性以及更多在書房與邀請之間現在找到我在這裡的那些行將要執行此操作將為每個模擬運行執行將執行混合效果之間的差異。 |
| R方與新年方，即方。那麼，我們就開始吧。 |
| 這裡我有四個正確的圖，所以我們只集中 y 軸上的一個，即空調方塊。然後混合減去調理劑平方的差異，抱歉， |
| 混合效果 r 的平方減去你就在那個平方中。所以，這就是你在這裡得到的，這就是未來表現模式的差異。 |
| 在 x 軸上，您所擁有的是預期 R 平方的差異，我們選擇您的真實未來表現、正確或偏差。如果你想 |
| 現在我有四個街區。為什麼，因為如果你想一想，當你有歷史數據而你沒有技術時，你就會知道， |
| 您知道，如果您正在分析數據，您可能只能控制兩件事，即數據大小和相對批量大小。 |
| 為什麼，因為您無法控制資料中的變異性。如果你的隨機效應比你的隨機空氣大得多。所以你唯一可以做的兩件事 |
| 可以控制資料大小和相對批量大小。如果您沒有標籤，您至少可以知道是否使用您的歷史資料。 |
| 應該由很多很多臥室組成，只有一兩批。正確的。這就是你所擁有的控制權 |
| 當您擁有統計數據時，您至少可以了解批量大小。 |
| 因此，我在這裡再次比較的是，我在明顯的性能問題上存在差異，只是差異為正，這意味著混合效應模型具有更好的性能。 |
| 如果這裡的差異也是正的。這意味著混合效應會帶來更好的未來表現，對吧。 |
| 正如您在此處看到的，當您擁有較小的資料集時。你做什麼並不重要。 |
| 混合效應模型具有更好的性能，有時甚至好得多，因為談論 R 平方的差異，這可能會遠遠超過 R 平方的差異。 |
| 是的，所以他的表現要好得多，你可以把它投入到一個或未來的一個。所以當數據量很小的時候，真的沒有 |
| 不，這裡沒有解決方案。然而，當你查看資料大小時，資料越大越好，但是當你的批次數量這麼少時。正確的。 |
| 這裡發生了一些有趣的事情，因為在這裡你知道足夠的資金未來績效 Y 軸的差異是負數，其中大多數。 |
| 這意味著在解放廣場測試集的專利方面做得更好是正確的還是有條件的 |
| 觸摸那個黑色的方塊。所以，當你這樣做的時候。誰會像新尿一樣。那會是一個很棒的工作，比 |
| 混合效應模型。然而，當您查看 x 軸（右）的大部分（即未來實際性能的差異）時，它可能會產生很大的誤導。 |
| 是的，所以當你有很多數據，但只有幾個批次時，你知道，你會得到很好的測試，測試集是正方形。但是當你將來嘗試部署你的模具時。 |
| 你可能會遇到麻煩。但當你看這裡時。在這裡，我們有一個緩解情況，您有大量數據和大量批次。所以它們往往沒有太大不同。對了，所以 |
| 總而言之，當資料集很小時，您應該使用不可忽略的隨機影響機器學習，您知道，測試集的預測效能很可能很差。 |
| 不管您有多少個批次集群。這是因為機器學習需要最小的資料量才能成功。正確的。所以沒有 |
| 在這裡沒有辦法贏得比賽。現在，當資料量很大且只有幾個集群時。這是一種誤導性的情況，因為您的測試集預測效能可能會很好，但是當您稍後部署模型時，我們可能會成為 Brewer。 |
| 有些人告訴我，好吧，你為什麼不使用正規化呢？ |
| 你的測試集 R 平方可能會很好，但你不知道你是否需要它，所以你無法判斷 |
| 您知道，您的長期未來表現是什麼，只需查看您在黑暗方塊中的測試或某些錯誤。 |
| 但是，當你的資料集很大時，你有很多集群，整個情況就會得到緩解，並且更接近類型的偏差效應會平均下來，因為每個隨機效應，你知道，都是所有效應的總和。 |
| 為零。因此，您能獲得的最新資訊越多 |
| 最重要的是，我只是想說，我從中學到的一點是，當數據不是故意設計的時，有兩件事我總是記得 |
| 機器領域不能僅僅因為資料很大就處理它。您必須具備最低水準的設計才能使其發揮作用。 |
| 但數據越大，數據中已經存在的最低水準的設計就越有可能純粹是偶然的。好的。如果您想聯絡我們，謝謝您。我們在跳躍社區。這些是我們的地址。謝謝。 |
