bukonu
Soru ara

İstatistik & Metodoloji5 argüman · 3 kaynak

Çok katmanlı verilerde Bayesyen tahminler dış örneklemde doğrulanmalı mı?

Çok katmanlı verilerde gözlemler birey, kurum veya bölge gibi gruplar içinde kümelenir; Bayesyen modeller bu yapıyı hiyerarşik biçimde temsil edebilir. Ancak modelin veriye uyumu, yeni gruplar veya gözlemler için tahminlerin güvenilir olduğunu tek başına göstermez. Dış örneklem doğrulamasının zorunlu bir ölçüt olması gerekip gerekmediği tartışılıyor.123

Yapay zekâ ile hazırlandıKonu ve argümanlar yapay zekâ ile yazıldı; kaynaklar her argümanın altında. Hatalı bir bilgi görürsen iletişimden bildir.

Senin kadranın0/4 tartıldı

Henüz tartmadın

Topluluk ibresi 10 tartıda açılır · şimdi 0

Henüz tartmadın

L1

Dış örneklem doğrulaması, modelin yeni verilerdeki tahmin performansını doğrudan sınar.

Modelin mevcut veriye uyumu, yeni gözlemlerde başarılı olacağını garanti etmez. Ayrı tutulan veride tahminleri değerlendirmek, aşırı uyumu ve iyimser performans tahminlerini görünür kılar. Çok katmanlı verilerde doğrulama, hedeflenen kullanım biçimine göre yapılırsa modelin yeni bireyler ya da yeni gruplar için ne kadar güvenilir olduğunu daha açık biçimde gösterir.2

2doi.org

L2

Katmanları dikkate alan doğrulama, gruplar arasındaki tahmin belirsizliğini açığa çıkarır.

Gözlemleri rastgele ayırmak, aynı gruptan örnekleri hem eğitim hem test kümesine koyabilir. Bu durumda test başarısı, daha önce hiç görülmemiş gruplara genelleme gücünü olduğundan yüksek gösterebilir. Grupları veya zaman dilimlerini ayıran doğrulama tasarımları, tahminin hangi düzeyde kullanılacağına ilişkin daha gerçekçi kanıt sağlar.3

3doi.org

Tarafsız bilgi ibreyi oynatmaz; tartının zeminidir.

D1

Posterior öngörü kontrolleri model uyumunu inceler, fakat yeni veride başarıyı tek başına kanıtlamaz.

Posterior öngörü kontrollerinde modelden üretilen veriler gözlenen verilerle karşılaştırılır. Bu kontroller modelin belirli uyumsuzluklarını saptamaya yardımcı olabilir. Ancak mevcut veriye dayandıkları için dış örneklem performansıyla aynı soruyu yanıtlamazlar. Tahmin güvenirliğini değerlendirmek için uyum kontrolleri ile hedefe uygun doğrulama yöntemlerini birbirini tamamlayacak biçimde kullanmak gerekir.1

1mc-stan.org

A1

Tek bir dış örneklem ölçütünü zorunlu tutmak, doğrulama tasarımını kullanım amacından koparabilir.

Model bazen mevcut gruplardaki yeni gözlemleri, bazen de tamamen yeni grupları tahmin etmek için kullanılır. Bu iki hedef farklı veri bölme stratejileri gerektirir; tek tip doğrulama kuralı yanlış soruyu yanıtlayabilir. Bu nedenle tahmin performansı, modelin kullanım senaryosuna göre seçilmiş ölçüt ve bölme tasarımıyla değerlendirilmelidir; dış örneklem doğrulaması tek başına yeterli bir standart değildir.3

3doi.org

A2

Küçük veya pahalı veri setlerinde dış örneklem ayırmak tahmin değerlendirmesini istikrarsızlaştırabilir.

Katmanlı yapıdaki bazı veri setlerinde bağımsız grup sayısı azdır. Veriyi eğitim ve test kümelerine ayırmak, model kurulumunda kullanılabilir bilgiyi azaltabilir ve performans ölçümünü yüksek belirsizliğe açık hâle getirebilir. Özellikle Bayesyen modellerde hesaplama maliyeti de değerlendirme sürecini uzatabilir. Bu koşullarda çapraz doğrulama, posterior öngörü kontrolleri ve duyarlılık analizleri birlikte düşünülmelidir.12

1mc-stan.org2doi.org

Kaynakça

  1. 1mc-stan.org /bayesplot/reference/PPC-overview.html
  2. 2doi.org /10.1007/s11222-016-9696-4
  3. 3doi.org /10.1111/2041-210X.13107

Sıradaki soru · Enflasyon

Enflasyon dönemlerinde enerji faturaları için hedefli kamu desteği artırılmalı mı?