Optimisation bayésienne - exportation du modèle sous-jacentBonjour,
J'ai pris plaisir à explorer la nouvelle plateforme d'optimisation bayésienne. Cependant, je souhaite comparer les résultats à ceux de certains modèles d'apprentissage automatique. Je constate dans les résultats qu'un R² est bien calculé par validation croisée, mais est-il réellement basé sur une seule ligne choisie au hasard ? Ou bien un traitement en arrière-plan divise-t-il l'ensemble de données en parties d'entraînement et de validation ? Pourriez-vous m'indiquer quelle(s) ligne(s) a/ont été sélectionnée(s) comme exclusion ?
Est-il possible de visualiser le modèle complet ? J’ai utilisé les options « Enregistrer tous les ajustements du modèle » et « Enregistrer le script pour la prochaine itération », mais je ne suis pas certain qu’il s’agisse des modèles complets. Je souhaite évaluer la capacité du modèle à prédire de nouvelles données, même si je comprends que ce n’est peut-être pas l’objectif principal de cette plateforme.
Sinon, pourrais-je « charger » le modèle GP optimal dans Gaussian Process ? Je ne vois pas de solution simple, surtout avec plusieurs valeurs de θ, mais si je pouvais exécuter le modèle GP optimal généré par la plateforme GP, cela pourrait bien résoudre tous ces problèmes !
Modélisation statistique avancéeRe: Optimisation bayésienne - exportation du modèle sous-jacentBonjour @abmayfield ,
La documentation sur l'optimisation bayésienne étant assez limitée pour le moment, il peut être difficile de répondre à vos questions.
Il semble que les stratégies d'ajustement/validation diffèrent entre la programmation génétique classique et la programmation génétique issue du comportement bayésien : programmation génétique d'optimisation bayésienne contre programmation génétique autonome . La stratégie Leave-One-Out est utilisée dans les deux cas, mais l'agrégation des résultats peut varier : Jackknife pour la programmation génétique classique contre LOO classique pour la programmation génétique issue du comportement bayésien.
Je trouve également frustrant de ne pas pouvoir enregistrer la formule de prédiction du modèle OB. J'ai cependant trouvé une solution de contournement pour approximer le modèle utilisé sur la plateforme OB : comme vous avez accès aux valeurs des paramètres de la plateforme OB (dans le rapport du modèle de processus gaussien), j'ai relancé la plateforme de processus gaussien classique en imposant la valeur de θ du modèle OB. Ce n'est pas parfait, car l'ordonnée à l'origine ne sera pas identique entre les deux modèles, mais au moins je parviens à approximer le modèle de prédiction de la plateforme OB.
J'espère que cette première réponse pourra vous aider.
Re: Optimisation bayésienne - exportation du modèle sous-jacentMerci pour vos réflexions. Bien qu'il serait toujours utile de connaître le modèle sous-jacent, je suppose que si j'ajoute des données supplémentaires (à titre de validation), que je relance le modèle (ou que j'en génère un nouveau), et que ni l'ajustement ni la solution optimale ne changent significativement, je conclurai que le modèle est bon. En revanche, si j'ajoute de nouvelles données et que la nouvelle solution est totalement différente, je conclurai que l'ancien modèle présente des problèmes et j'accepterai le nouveau (qui sera généré de toute façon). J'aimerais toutefois pouvoir conserver plus d'un échantillon, mais peut-être qu'avec suffisamment d'itérations, j'aurai une meilleure idée du R² de validation réel.
