Расчеты по направлениям и различиям в моделях обучения под контролем: поэтапный подход

Предвзятость и дисперсия являются важными понятиями в контролируемом обучении, которые помогают оценить производительность моделей. Понимание того, как вычислять эти показатели, может улучшить выбор и настройку моделей.

Понимание различий и различий

Предвзятость относится к ошибке, вносимой путем приближения реальной проблемы к упрощенной модели. Разнообразие измеряет, насколько прогнозы модели колеблются для различных наборов данных обучения. Оба влияют на точность модели и способность к обобщению.

Расчетные предвзятости

Предвзятость рассчитывается путем сравнения среднего прогноза модели с истинным значением. Этапы включают:

• Тренируйте модель несколько раз на разных наборах данных обучения.
• Каждый раз предсказывает выход для фиксированной точки тестирования.
• Вычислите среднее значение этих прогнозов.
• Вычислите разницу между этой средней и истинной величиной.
• Квадрат этой разницы, чтобы получить смещения квадрат.

Расчет вариаций

Разнообразие измеряет изменчивость предсказаний модели.

• Используйте прогнозы от нескольких моделей, обученных на разных наборах данных.
• Рассчитайте среднее предсказание по всем моделям.
• Определите квадратное отклонение каждого предсказания от этого среднего.
• Усредните эти квадраты отклонений, чтобы найти дисперсию.

Практический пример

Предположим, у вас есть набор данных и пять раз обучить модель на разных подмножествах. Для конкретной тестовой точки прогнозы составляют 3.2, 3.8, 3.5, 3.7 и 3.3. Истинное значение - 4.0.

Средний прогноз составляет 3,5. Смещение в квадрате (4,0 - 3,5)^2 = 0,25. Разница рассчитывается путем усреднения квадратного отклонения каждого прогноза от 3,5, что приводит к 0,14.