Calcul des écarts et des écarts dans les modèles d'apprentissage supervisés : une approche étape par étape

Les préjugés et les écarts sont des concepts importants dans l'apprentissage supervisé qui aident à évaluer la performance des modèles. Comprendre comment calculer ces mesures peut améliorer la sélection et l'accordage des modèles.

Comprendre les divergences et les écarts

La divergence est une donnée qui se réfère à l'erreur introduite par le rapprochement d'un problème réel avec un modèle simplifié. La variation mesure la variation des prévisions du modèle pour différents ensembles de données d'entraînement.

Calcul des biais

On calcule le biais en comparant la prédiction moyenne du modèle à la valeur réelle. Les étapes comprennent :

• Former le modèle à plusieurs reprises sur différents ensembles de données de formation.
• Prévoyez la sortie pour un point de test fixe à chaque fois.
• Calculer la moyenne de ces prévisions.
• Calculez la différence entre cette moyenne et la valeur réelle.
• Placer cette différence pour obtenir le biais au carré.

Calcul de la variation

La variation mesure la variabilité des prévisions du modèle.

• Utiliser les prédictions de plusieurs modèles formés sur différents ensembles de données.
• Calculer la prédiction moyenne pour tous les modèles.
• Déterminer l'écart carré de chaque prédiction par rapport à cette moyenne.
• Moyenne de ces écarts carrés pour trouver la variance.

Exemple pratique

Supposons que vous ayez un ensemble de données et que vous formiez un modèle cinq fois sur différents sous-ensembles. Pour un point de test spécifique, les prédictions sont de 3.2, 3.8, 3.5, 3.7 et 3.3. La valeur réelle est 4.0.

La prédiction moyenne est de 3,5. Le biais carré est (4,0 - 3,5)^2 = 0,25. La variance est calculée en calculant les écarts carrés de chaque prédiction par rapport à 3,5, ce qui donne 0,14.