L’objectif de ce billet est de vous donner une chance d’utiliser d’autant plus la rechute de l’edge que vous ne vous contentez pas d’utiliser ce que les bibliothèques offrent. A ce stade, “Qu’est-ce que la rechute de bord ? L’approche la moins complexe pour répondre à cette question est “Variété de la rechute directe”. La voie la plus terrible est, pour commencer, celle des conditions scientifiques qui l’accompagnent, que très peu de gens peuvent comprendre dès le départ.
La terrible nouvelle est que malgré tout ce dont nous avons besoin pour la gérer et la nouvelle réjouissante est que nous ne commencerons pas avec des conditions de cette façon, mais tout simplement pas actuellement. Ce que je voudrais peut-être, en premier lieu, c’est un “Standard Least Squares (OLS)”. Au cas où vous auriez par hasard des bases proches de zéro sur une rechute, cette vidéo vous aidera à comprendre comment elle fonctionne grâce à la technique des moindres carrés. Actuellement, vous vous rendez compte que la technique des moindres carrés est très semblable à ce que nous appelons généralement la “rechute directe”, et j’utiliserai le terme tout bien considéré.
Avant de poursuivre
Dans les segments suivants, j’adopterai diverses stratégies avec des termes et des chiffres différents. Il y a deux choses dont vous devez vous souvenir. La première est que nous ne nous soucions pas du suréquipement. En fin de compte, nous penchons généralement vers un modèle qui obtient des exemples généraux. L’autre est que notre objectif est de le prévoir à partir d’informations nouvelles, et non d’informations explicites. Dans cette optique, l’évaluation du modèle doit être fondée sur des informations nouvelles (ensemble de tests), et non sur des informations données (ensemble de préparation). En outre, j’utiliserai les termes qui accompagnent le modèle de manière réciproque.
Variable autonome = Surligner = Propriété = Indicateur = X
Coefficient = Beta = β
Agrégat de carrés restants = RSS
Pourquoi et pourquoi pas l’OLS
La stratégie des moindres carrés permet de trouver les meilleurs coefficients et les plus équitables
Vous vous rendez peut-être compte que la stratégie des moindres carrés permet de trouver les coefficients qui correspondent le mieux à l’information. Une autre condition à remplir est qu’elle trouve également les coefficients sans préjugés. Sans préjugés implique que les MCO ne réfléchissent pas à quel facteur libre est le plus prioritaire. Il trouve essentiellement les coefficients pour un indice informationnel donné. Il n’y a donc qu’un seul lot de bêtas à trouver, qui se trouve dans le “Total des carrés restants (RSS)” le plus minimal. La question qui se pose alors est la suivante : “Un modèle avec le RSS le plus minimal est-il vraiment le meilleur modèle ?
Prédisposition contre changement
La réponse à l’enquête ci-dessus est “Pas tant que ça”. Comme l’indique le mot “Juste”, nous devons également tenir compte de l'”Inclination”. L’inclinaison implique que le modèle pense de la même manière à ses indicateurs. Supposons qu’il existe deux modèles pour anticiper le coût d’une pomme avec deux indicateurs “douceur” et “éclat” ; un modèle est impartial et l’autre est unilatéral.
Pour commencer, le modèle équitable tente de découvrir le lien entre les deux points forts et les coûts, comme le fait la stratégie des SLO. Ce modèle s’adaptera aux perceptions de manière aussi complète que possible pour limiter le RSS. En tout état de cause, cela pourrait sans trop d’effort conduire à des problèmes de surcharge. En tant que tel, le modèle ne fonctionnera pas non plus avec de nouvelles informations, car il est travaillé pour les informations données de manière si explicite qu’il peut ne pas convenir à de nouvelles informations.
Le modèle unilatéral reconnaît que ses facteurs sont incohérents pour traiter chaque indicateur de manière inattendue. Pour revenir au modèle, il suffirait de penser à la “douceur” pour assembler un modèle qui devrait être plus performant avec de nouvelles informations. L’explication sera clarifiée après avoir compris l’inclinaison par rapport au changement. Au cas où vous seriez curieux de connaître le point de prédisposition ou de fluctuation, je vous recommande vivement de regarder cette vidéo qui vous permettra de comprendre.
On peut très bien dire que la prédisposition est liée à un modèle qui ne s’adapte pas à l’ensemble de préparation et que la différence est liée à un modèle qui ne s’adapte pas à l’ensemble d’essai. L’inclinaison et la différence sont en échange de relation sur la complexité du modèle, ce qui implique qu’un modèle simple aurait une forte prédisposition et un faible changement, et l’inverse. Dans notre modèle de la pomme, un modèle qui tient compte uniquement de la “douceur” ne correspond pas autant aux informations sur la préparation que l’autre modèle qui tient compte à la fois de la “douceur” et de l'”éclat”, mais le modèle le plus simple permet de mieux prévoir les nouvelles informations.
En effet, la “douceur” est un facteur déterminant du coût, alors que l'”éclat” ne devrait pas l’être selon un jugement rationnel. Nous le savons tous en tant qu’être humain, mais les modèles numériques ne pensent pas comme nous et se contentent de vérifier ce qui est donné jusqu’à ce qu’ils découvrent un lien entre chacun des indicateurs et la variable autonome qui correspond à la préparation des informations.
Où la régression des crêtes entre en jeu
Si l’on jette un coup d’œil à la figure “Prédisposition contre changement”, le moyeu en Y est “Erreur”, c’est-à-dire le “Total de la prédisposition et de la fluctuation”. Comme ces deux chiffres sont essentiellement liés à la chute à plat, nous pourrions vouloir les limiter. En examinant attentivement ce chiffre, vous constaterez que la bévue la moins évidente est celle qui se situe au centre. C’est une règle appelée “Sweet Spot”.
Nous devrions vérifier que les MCO traitent chacun des facteurs de la même manière (équitable). De cette manière, un modèle MCO s’avère de plus en plus ahurissant à mesure que de nouveaux facteurs sont inclus. On peut très bien dire qu’un modèle MCO se trouve toujours à la droite de la figure, avec l’inclinaison la plus réduite et la différence la plus notable. Il est fixé là, ne bouge jamais, et pourtant nous devons le déplacer vers le point idéal. C’est à ce moment que la rechute des bords brillerait, à laquelle il est également fait allusion sous le nom de régularisation. Dans la rechute de bordure, vous pouvez régler le paramètre lambda dans le but de modifier les coefficients du modèle. La meilleure façon de comprendre ce phénomène est d’assister à une démonstration de programmation qui sera présentée vers la fin.
Compréhension géométrique de la rechute des arêtes
Généralement, une prise de conscience réaliste du fonctionnement d’un modèle et une rechute des bords ne constituent pas un cas particulier. La figure suivante est la traduction géométrique de la pensée des MCO et de la rechute des arêtes.
Formulaires et jauge MCO
Chaque forme est une association de spots où le RSS est l’équivalent, focalisé avec la jauge OLS où le RSS est le moins important. De plus, la jauge OLS est là où elle s’adapte le mieux à l’ensemble de préparation (faible prédisposition).
Jauge de cercle et de bord
Pas du tout comme la jauge OLS, la jauge de bord change en même temps que la taille du cercle bleu. C’est juste là que le cercle rencontre la forme la plus externe. Le fonctionnement de la jauge de bord est la façon dont nous réglons la taille du cercle. Le point clé est que le changement de β se fait à un autre niveau.
Supposons que β1 soit “étincelle” et β2 soit “douceur”. Comme cela devrait être évident, le bord β1 tombe généralement plus rapidement à zéro que le bord β2 lorsque la taille du cercle change (pensez aux deux chiffres). La raison en est que les β changent de façon contrastée par rapport au RSS. D’autant plus naturellement que les formes ne sont pas des cercles mais des ovales situés en biais.
