Berechnen von Vorurteilen und Varianz in überwachten Lernmodellen: Ein Schritt-für-Schritt-Ansatz
Bias und Varianz sind wichtige Konzepte im überwachten Lernen, die die Leistung von Modellen bewerten helfen.
Bias und Varianz verstehen
Die Varianz misst, wie stark die Vorhersagen des Modells für verschiedene Trainingsdatensätze schwanken. Beide beeinflussen die Genauigkeit und Generalisierungsfähigkeit des Modells.
Berechnung von Bias
Die Bias werden berechnet, indem die durchschnittliche Vorhersage des Modells mit dem wahren Wert verglichen wird.
- Trainieren Sie das Modell mehrmals in verschiedenen Trainingsdatensätzen.
- Prognostizieren Sie die Ausgabe für einen festen Testpunkt jedes Mal.
- Berechnen Sie den Durchschnitt dieser Vorhersagen.
- Berechnen Sie die Differenz zwischen diesem Durchschnitt und dem wahren Wert.
- Quadratieren Sie diese Differenz, um die Bias zum Quadrat zu erhalten.
Berechnungsvarianz
Varianz misst die Variabilität der Modellvorhersagen.
- Verwenden Sie die Vorhersagen aus mehreren Modellen, die auf verschiedenen Datensätzen trainiert wurden.
- Berechnen Sie die mittlere Vorhersage für alle Modelle.
- Bestimmen Sie die quadrierte Abweichung jeder Vorhersage von diesem Mittelwert.
- Mittelwert dieser quadrierten Abweichungen, um die Varianz zu finden.
Praktisches Beispiel
Angenommen, Sie haben einen Datensatz und trainieren ein Modell fünfmal in verschiedenen Untergruppen. Für einen bestimmten Testpunkt sind die Vorhersagen 3,2, 3,8, 3,5, 3,7 und 3,3. Der wahre Wert ist 4,0.
Die mittlere Vorhersage ist 3,5. Die Verzerrung zum Quadrat ist (4,0 - 3,5)^2 = 0,25. Die Varianz wird berechnet, indem die quadrierten Abweichungen jeder Vorhersage von 3,5 gemittelt werden, was 0,14 ergibt.