Quali sono la pendenza di debiasing e il coefficiente di intercetta quando si utilizza la selezione diretta SVEM su una distribuzione Beta?
Questa è una caratteristica di tutti i modelli SVEM, non solo della distribuzione Beta.
Il motivo è che i modelli SVEM tendono ad avere un bias: prevedono valori troppo alti per valori bassi di Y e troppo bassi per valori alti di Y. È molto chiaro quando si confronta il valore effettivo con quello previsto per un modello SVEM che non è stato corretto per i bias. Credo che questo sia un esempio del compromesso tra bias e varianza che si osserva anche nei modelli di regressione penalizzati.
Il nostro team di sviluppo ha trovato una soluzione semplice per correggere questa distorsione: adattare una regressione semplice di Y vs PredY (SVEM). I parametri di pendenza e intercetta di de-biasing sono i parametri di questa regressione semplice.
Spero che questo ti sia d'aiuto.
Se ne parla brevemente in questa presentazione del Discovery Summit del 2021:
SVEM: Machine Learning applicato al DOE (2021-US-45MP-847) - Community di utenti JMP
Grazie Florence, è davvero utile!
