Ölçüm hataları modellerin girdilere verdiği önem sırasını değiştiriyor
Makine öğrenmesi girdilerinin hatalı ölçülmesi üzerine çalışan Zeinab Mohamed ile Tamer Oraby, benzetimlerde tahmini ve sonuçların yorumlanmasını inceledi. Beş model ailesinde hatalar, tahmin başarımını düşürebildi ve özelliklerin önem sırasını değiştirebildi. Araştırmacılar hata türünü, örneklem büyüklüğünü ve sinyal yapısını değiştirerek yanlış ölçülen verinin etkisini kötü ayar seçiminden ayırdı. Bulgular tek bir araştırma makalesindeki deney koşullarına dayanıyor.
Yapay Zekâ··Akşam
Hatalı girdiler tahmini ve yorumlamayı değiştiriyor
Zeinab Mohamed ve Tamer Oraby, makine öğrenmesi girdilerindeki ölçüm hatalarını, belirlenen koşullarda tekrar tekrar veri üreten Monte Carlo benzetimleriyle inceledi. Hatalar tahmin başarımını düşürebildi; güçlü değişkenlerin tahmini katkısını veya önem sırasını değiştirebildi. Bulgular tek bir araştırma makalesine dayanıyor. Deneyler sınıflandırma ile sayısal sonuç tahminini kapsadı. Araştırmacılar, ölçümden kaynaklanan bozulmayı kötü ayar seçiminden ayırmak için her veri kümesinde model ayarlarını yeniden seçti.[1]
Dört hata türü modelin kullandığı bilgiyi değiştiriyor
Klasik ölçüm hatasında gözlenen değer gerçek değerin çevresinde değişiyor. Berkson hatasında ise birimlerin gerçek değerleri kendilerine atanan ortak değerin çevresinde farklılaşıyor. Grup özeti yönteminde atanan değerler, sınırlı sayıdaki grubun ortalamalarından seçiliyor; yanlış sınıflandırma da kategorik girdiyi yanlış kategoriye yazıyor. Bunlar tahmin edilecek sonuca eklenen gürültüden farklı olarak modele verilen bilgiyi değiştiriyor. Çalışma genelleştirilmiş doğrusal modelleri, destek vektör makinelerini, rastgele ormanları, XGBoost’u ve çok katmanlı algılayıcıları karşılaştırdı.[1]
Benzetimler sinyali ölçüm bozulmasından ayırıyor
Araştırmacılar benzetim için üç değişken hazırladı. Sonuçla bağlantılı iki değişkenin yanında tahmin gücü taşımayan bir değişken de vardı. Eğitim sırasında önemli bir girdinin yerine ölçüm hatası içeren sürümü kullanıldı. Ayrı deneylerde 2000, 3000 ve 4000 gözlemden oluşan örneklemler değerlendirildi. Bir girdinin değerlerini karıştırmanın başarımı nasıl değiştirdiği, özellik önemini ölçmek için kullanıldı. Bozulma hata türüne ve modele göre farklılaştı; araştırmacılar bu etkinin verinin temel dağılımındaki değişimle karıştırılabileceği koşulları belirledi.[1]
İlgili köşe yazıları
Bu gündem hakkında daha fazla bilgi için ilgili köşe yazılarını okuyabilirsiniz.
