O objetivo deste post é dar a você uma chance a mais provável de usar recidivas de borda do que simplesmente usar o que as bibliotecas dão. Nesse ponto, “O que é Edge Relapse?”. A abordagem menos complexa para abordar a investigação é “Variedade de Recaída Direta”. O caminho mais terrível é, para começar com as condições científicas que o acompanham, muito poucos conseguem compreender desde o início.

A terrível notícia é que apesar de tudo o que precisamos para administrá-lo e a notícia animadora é que não vamos começar com as condições dessa maneira, mas apenas não atualmente. O que eu poderia querer em primeiro lugar é o ‘Standard Least Squares (OLS)’. Na chance de você ter quase zero de recaída, este vídeo vai ajudá-lo a ter a sensação de como funciona utilizando a ‘Técnica do Mínimo Quadrado’. Atualmente, você percebe que OLS é muito parecido com o que nós chamamos de ‘Recaída Reta’, e eu vou utilizar o termo todas as coisas consideradas.

Antes de prosseguir

Nos segmentos seguintes, vou adotar várias estratégias com diferentes termos e números. Há duas coisas que você precisaria lembrar. Uma é que não nos preocupamos com o excesso de roupa. No final do dia, geralmente nos inclinamos para um modelo que recebe exemplos gerais. A outra é que o nosso objetivo é prever a partir de novas informações, não de informações explícitas. Nesse sentido, a avaliação do modelo deve ser baseada em novas informações (conjunto de testes), não em informações dadas (conjunto de preparação). Além disso, utilizarei os termos que o acompanham reciprocamente.

Variável Autônoma = Destaque = Imóvel = Indicador = X

Coeficiente = Beta = β

Restante Agregado de Quadrados = RSS

Porque E Porque Não OLS

A Estratégia do Menos Quadrado encontra os Melhores e Justos Coeficientes

Você pode perceber que a estratégia menos quadrada encontra os coeficientes que melhor se ajustam à informação. Uma outra condição a ser incluída é que ela também encontre os coeficientes sem preconceitos. Aqui sem preconceitos implica que a OLS não pense em qual fator livre é mais prioritário que outros. Essencialmente encontra os coeficientes para um determinado índice informativo. Assim, há apenas um lote de betas a ser encontrado, surgindo no mais mínimo ‘Remanescente Total de Quadrados (RSS)’. A consulta nesse ponto torna-se “Será que um modelo com o RSS mais mínimo é genuinamente o melhor modelo?”.

Predisposição versus Mudança

A resposta ao inquérito acima é “Nem tanto”. Como indicado na palavra “Justo”, temos que considerar também a “Inclinação”. Inclinação implica o quanto um modelo pensa de forma semelhante sobre seus indicadores. Suponha que existam dois modelos para antecipar um custo de maçã com dois indicadores ‘doçura’ e ‘cintilação’; um modelo é imparcial e o outro é unilateral.

Para começar, o modelo de feira tenta descobrir a conexão entre os dois destaques e os custos, da mesma forma que a estratégia OLS. Este modelo se ajustará às percepções tão consumadamente quanto possível para limitar o RSS. De qualquer forma, isto poderia, sem grande esforço, levar a problemas de sobreajuste. Como tal, o modelo não será executado também com novas informações, pois é trabalhado para as informações dadas de forma tão explícita que pode não se encaixar em novas informações.

O modelo unilateral reconhece seus fatores inconsistentes para tratar cada indicador de uma forma inesperada. Voltando ao modelo, precisaríamos apenas pensar em ‘doçura’ para montar um modelo e este deveria ter um melhor desempenho com novas informações. A explicação será esclarecida após a compreensão de Inclinação versus Mudança. Caso você esteja curioso sobre a predisposição versus ponto de flutuação, prescrevo enfaticamente que assista a este vídeo que lhe dará entendimento.

Muito bem pode ser dito que a predisposição está ligada a um modelo negligenciado para se ajustar ao conjunto de preparação e a diferença está ligada a um modelo negligenciado para se ajustar ao conjunto de teste. Inclinação e diferença estão em troca de relação sobre a complexidade do modelo, o que implica que um modelo simples teria alta predisposição e baixa mudança, e o contrário. Em nosso modelo de maçã, um modelo apenas considerando ‘doçura’ não se encaixaria tanto nas informações de preparação quanto o outro modelo considerando tanto ‘doçura’ quanto ‘cintilação’, porém, quanto mais simples o modelo será melhor na previsão de novas informações.

Isto porque “doçura” é um determinante de custo, enquanto “brilho” não deve ser feito por bom julgamento. Nós, como um todo, sabemos disso como um modelo humano, porém os modelos numéricos não pensam como nós e simplesmente verificam o que é dado até que descubra alguma conexão entre cada um dos indicadores e a variável autônoma para caber na preparação da informação.

Onde a Regressão de Cumeeira Entra em Jogo

Tomando um gander na figura Predisposição versus Mudança, o Y-hub é ‘Erro’ que é o ‘Total da Predisposição e Flutuação’. Já que os dois estão essencialmente relacionados à queda de uma forma plana, podemos querer limitá-los. Atualmente, investigando a figura atentamente, você verá que a detecção do erro total é o menor lugar no centro. Esta é uma regra chamada ‘Sweet Spot’.

Devemos rever que a OLS trata cada um dos fatores de forma semelhante (justa). Desta forma, um modelo OLS acaba se tornando cada vez mais alucinante à medida que novos fatores são incluídos. Muito bem pode ser dito que um modelo OLS está consistentemente no mais correto da figura, tendo a inclinação mais reduzida e a diferença mais notável. Ele é fixo lá, nunca se move, mas precisamos movê-lo para o ponto doce. Isto é quando a recidiva da borda cintilaria, aludida também como regularização. Na recidiva de borda, você pode afinar o parâmetro lambda com o objetivo de que os coeficientes do modelo mudem. Isto pode ser melhor compreendido com uma demonstração de programação que será apresentada ao final.

Compreensão Geométrica da Recaída de Borda

Comumente, um realista obter o sentimento de como um modelo funciona e uma recidiva de borda não é um caso especial. A figura a seguir é a tradução geométrica para pensar em OLS e recidiva de borda.

Formulários e Bitola OLS

Cada formato é uma associação de pontos onde o RSS é o equivalente, focado com o medidor OLS onde o RSS é o menor. Além disso, o medidor OLS é onde melhor se encaixa no conjunto de preparação (baixa predisposição).

Medidor de Círculos e Bordas

Não como o medidor OLS, o medidor de borda muda conforme o tamanho do círculo azul muda. É exatamente onde o círculo encontra a forma mais externa. Como as funções de recidiva de borda são a forma como afinamos o tamanho do círculo. O ponto chave é que o β muda em um nível alternativo.

Suponha que β1 seja ‘cintilação’ e β2 seja ‘doçura’. Como deve ser óbvio, a borda β1 geralmente cai mais rapidamente para zero do que a borda β2 faz conforme o tamanho do círculo muda (pense nas duas figuras). A motivação por trás disso é que a mudança do β contrasta com a do RSS. Ainda mais naturalmente, as formas não são círculos, no entanto ovais situados inclinados.