L’obiettivo di questo post è quello di darvi la possibilità di utilizzare tanto più facilmente la ricaduta dei bordi di quanto non lo sia semplicemente l’uso di ciò che le biblioteche danno. A quel punto, “Che cos’è Edge Relapse? L’approccio meno complesso per affrontare l’indagine è “Variety of Direct Relapse”. Il percorso più terribile è, per cominciare, quello delle condizioni scientifiche di accompagnamento che pochissimi possono comprendere fin dall’inizio.

La notizia terribile è che nonostante tutto quello che ci serve per gestirlo e la notizia edificante è che non inizieremo con le condizioni in questo modo, ma proprio non al momento. Quello che potrei volere in primo luogo è “Standard Least Squares (OLS)”. Nella remota possibilità che vi sia capitato di avere quasi zero fondamenta su una ricaduta diretta, questo video vi aiuterà ad avere la sensazione di come funziona utilizzando la ‘Least Square Technique’. Al momento, vi rendete conto che OLS è più o meno la stessa cosa che noi chiamiamo ‘Straight Relapse’, e utilizzerò il termine in tutto e per tutto.

Prima di procedere

Nei seguenti segmenti adotterò varie strategie con termini e cifre diverse. Ci sono due cose da ricordare. La prima è che non ci interessa l’overfitting. In fin dei conti, in genere siamo inclini a un modello che si basa su esempi generali. L’altra è che il nostro obiettivo è quello di prevederlo da nuove informazioni, non da informazioni esplicite. In questo senso, la valutazione del modello dovrebbe basarsi su nuove informazioni (set di prova), non su informazioni date (set di preparazione). Inoltre, utilizzerò i termini di accompagnamento reciprocamente.

Variabile autonoma = Evidenziare = Proprietà = Indicatore = X

Coefficiente = Beta = β

Aggregato residuo di quadrati = RSS

Perché e perché non OLS

La strategia Least Square trova i coefficienti migliori e più equi

Forse vi renderete conto che la strategia meno quadrata trova i coefficienti che meglio si adattano alle informazioni. Un’altra condizione da includere è che trovi anche i coefficienti non valutati. Qui unprejudiced implica che OLS non pensa a quale fattore libero sia una priorità maggiore rispetto ad altri. Essa trova essenzialmente i coefficienti per un dato indice informativo. Quindi, c’è solo un lotto di beta da trovare, che si trova nel più minimo ‘Totale dei quadrati rimanenti (RSS)’. L’indagine a quel punto diventa: “Un modello con l’RSS più minimo è davvero il modello migliore?

Predisposizione rispetto al cambiamento

La risposta alla richiesta di cui sopra è “Non tanto”. Come indicato nella parola “Fiera”, dobbiamo considerare anche “Inclinazione”. L’inclinazione implica come un modello pensa in modo simile ai suoi indicatori. Supponiamo che ci siano due modelli per anticipare il costo di una mela con due indicatori “dolcezza” e “scintillio”; un modello è imparziale e l’altro è unilaterale.

Tanto per cominciare, il modello equo cerca di scoprire la connessione tra i due punti salienti e i costi, come fa la strategia OLS. Questo modello si adatta alle percezioni nel modo più efficiente possibile per limitare gli RSS. In ogni caso, questo potrebbe, senza troppi sforzi, portare a problemi di overfitting. In quanto tale, il modello non verrà eseguito anche con nuove informazioni, in quanto è lavorato per le informazioni date in modo così esplicito che potrebbe non adattarsi alle nuove informazioni.

Il modello unilaterale riconosce i suoi fattori incoerenti per trattare ogni indicatore in modo inaspettato. Tornando al modello, dovremmo pensare solo alla “dolcezza” per assemblare un modello e questo dovrebbe funzionare meglio con nuove informazioni. La spiegazione sarà chiarita dopo aver compreso l’Inclinazione contro il Cambiamento. Nel caso foste curiosi di sapere la predisposizione contro il punto di fluttuazione, vi consiglio vivamente di guardare questo video che vi darà la comprensione.

Si può ben dire che la predisposizione è collegata ad un modello che trascura di adattarsi al set di preparazione e la differenza è collegata ad un modello che trascura di adattarsi al set di prova. L’inclinazione e la differenza sono in cambio di una relazione rispetto alla complessità del modello, il che implica che un modello semplice avrebbe un’alta predisposizione e un basso cambiamento, e il contrario. Nel nostro modello della mela, un modello che considera solo la “dolcezza” non si adatta alle informazioni sulla preparazione tanto quanto l’altro modello che considera sia la “dolcezza” che lo “scintillio”, tuttavia, più il modello più semplice sarà in grado di prevedere meglio le nuove informazioni.

Questo per il fatto che la “dolcezza” è un fattore determinante di un costo, mentre la “brillantezza” non dovrebbe, a rigor di logica, essere un fattore di costo. Noi, nel complesso, lo sappiamo in quanto esseri umani, ma i modelli numerici non pensano come noi e si limitano ad accertare ciò che è dato fino a quando non scoprono una qualche connessione tra ciascuno degli indicatori e la variabile autonoma che si adatta alla preparazione dell’informazione.

Dove la regressione del crinale entra in gioco

Dando un’occhiata alla cifra di Predisposizione contro Cambiamento, il Y-hub è ‘Errore’ che è il ‘Totale di Predisposizione e Fluttuazione’. Dal momento che questi due sono essenzialmente legati alla caduta in piano, potremmo volerli limitare. Attualmente, studiando la figura con attenzione, scoprirete che l’individuazione dell’errore totale è il minimo che si possa trovare in qualche posto al centro. Questa è una regola chiamata ‘Sweet Spot’.

Dovremmo rivedere che OLS tratta tutti i fattori in modo simile (equo). In questo modo, un modello OLS si rivela sempre più sbalorditivo in quanto include nuovi fattori. Si può benissimo dire che un modello OLS è costantemente sulla destra della figura, avendo l’inclinazione più ridotta e la differenza più degna di nota. È fisso lì, non si muove mai, eppure dobbiamo spostarlo al punto giusto. Questo è il momento in cui la ricaduta del bordo scintilla, a cui si fa riferimento anche come Regolarizzazione. Nella ricaduta del bordo, si può regolare il parametro lambda con l’obiettivo che i coefficienti del modello cambino. Questo può essere meglio compreso con una demo di programmazione che sarà presentata verso la fine.

Comprensione geometrica della riapertura dei bordi

Comunemente, un realistico ottenere il sentimento di come un modello funziona e la ricaduta dei bordi non è un caso speciale. La figura di accompagnamento è la traslazione geometrica per pensare a OLS e ricaduta dei bordi.

Forme e calibro OLS

Ogni forma è un’associazione di punti dove l’RSS è l’equivalente, focalizzata con il misuratore OLS dove l’RSS è il minore. Inoltre, il calibro OLS è dove si adatta meglio al set di preparazione (a bassa predisposizione).

Misuratore di cerchio e di bordo

Non come il calibro OLS, il calibro per bordi cambia al variare della dimensione del cerchio blu. È proprio dove il cerchio incontra la forma più esterna. Come le funzioni di ricaduta dei bordi sono il modo in cui sintonizziamo la dimensione del cerchio. Il punto chiave è che il cambiamento di β ad un livello alternativo.

Supponiamo che β1 sia “scintillio” e β2 sia “dolcezza”. Come dovrebbe essere ovvio, il bordo β1 generalmente scende più rapidamente a zero rispetto al bordo β2 quando la dimensione del cerchio cambia (si pensi alle due figure). La motivazione alla base di ciò è il fatto che il cambiamento di β di bordo β è dovuto al fatto che il cambiamento di β in contrasto con l’RSS. Tanto più naturalmente, le forme non sono cerchi, ma ovali situati in posizione inclinata.