Aufgeräumtes Modellieren mit R

Kapitel 12. Modell-Tuning und die Gefahrender Überanpassung

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Um ein Modell für eine Vorhersage zu verwenden, müssen die Parameter für dieses Modell geschätzt werden. Einige dieser Parameter können direkt aus den Trainingsdaten geschätzt werden, aber andere Parameter, sogenannte Tuning-Parameter oder Hyperparameter, müssen im Voraus festgelegt werden und können nicht direkt aus den Trainingsdaten ermittelt werden. Dabei handelt es sich um unbekannte Strukturwerte oder andere Werte, die einen erheblichen Einfluss auf das Modell haben, aber nicht direkt aus den Daten geschätzt werden können. In diesem Kapitel findest du Beispiele für Tuning-Parameter und erfährst, wie wir mit den tidymodels-Funktionen Tuning-Parameter erstellen und behandeln. Wir zeigen auch, wie eine schlechte Wahl dieser Werte zu einer Überanpassung führt, und stellen verschiedene Taktiken vor, um optimale Werte für die Abstimmungsparameter zu finden. In den Kapiteln 13 und14 werden spezifische Optimierungsmethoden für die Abstimmung näher erläutert.

Modell Parameter

Bei der normalen linearen Regression gibt es zwei Parameter ${\beta }_0$ und ${\beta }_1$ des Modells:

$$y_i={\beta }_0+{\beta }_1{x}_i+{ϵ}_i$$

Wenn wir das Ergebnis haben ($y$) und Prädiktor ($x$) haben, können wir die beiden Parameter schätzen ${\beta }_0$ und ${\beta }_1$:

$${\widehat{\beta }}_1=\frac{{\sum }_i(y_i-\overline{y})(x_i-\overline{x})}{{\sum }_i{(x_i-\overline{x})}^2}$$

und

$${\stackrel{}{\beta }}_{}$$