LegközelebbKövetkező útmutató
Videó-videó stílus átalakítás
Vizuális AI
Műszaki ÚTMUTATÓ
A napló, a Box-Cox és a Yeo-Johnson transzformációk átformálják a numerikus eloszlásokat, gyakran csökkentve a jobb oldali ferdeséget és stabilizálva az eltéréseket a modellezés előtt.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Megváltoztatják az értékek skáláját és értelmezését, ezért körültekintően kell kezelni a transzformáció kiválasztását, az illesztett paramétereket és az inverz előrejelzéseket.
A transzformáció megváltoztatja a változó numerikus skáláját, hogy a mintákat könnyebben ábrázolja a modell. A logaritmus lassan növekszik nagy pozitív értékek esetén, így csökkentheti a jobb oldali ferdeséget, és a multiplikatív összefüggéseket additívvá alakíthatja. A változás azt is jelenti, hogy a transzformált skálán lévő különbségek már nem felelnek meg az eredeti skála azonos abszolút különbségeinek. A közönséges logaritmus pozitív bevitelt igényel. A log1p transzformáció a log(1 plusz x) függvényt használja, és nullát alkalmaz, de még mindig nagyobb x értéket igényel, mint a negatív egy. Egy tetszőleges állandó hozzáadása a negatívumok engedélyezéséhez megváltoztatja az értelmezést, és indokoltnak kell lennie. A Box-Cox a hatványtranszformációk családját veszi figyelembe és megbecsül egy paramétert, de szabványos formája szigorúan pozitív értékeket igényel. A Yeo-Johnson egy másik erőátalakító család, amely képes kezelni a nulla és a negatív értékeket. Ezek a módszerek segíthetnek a ferde jellemzők vagy célok esetén, de nem általános előfeldolgozási követelmények. A fa alapú modellek kevésbé érzékenyek a monoton átméretezésre, mint a lineáris kapcsolatokon vagy távolságon alapuló modellek, bár az eloszlás változásai továbbra is hatással lehetnek egyes munkafolyamatokra. Az átalakítás nem távolítja el a kiugró értékeket, nem állít fel normalitást, nem javítja a torzított mintavételt, és nem garantál jobb előrejelzéseket. Hasonlítsa össze a modell viselkedését és a kitartott adatok hibáit. A céltranszformációkhoz illessze a transzformációs paramétereket a betanítási adatokra, és ennek megfelelően alakítsa át a képzési célokat. Az előrejelzés időpontjában alkalmazza az inverz transzformációt, hogy visszatérjen az eredeti mértékegységekhez. Mivel a nemlineáris inverzek nem őrzik meg az átlagokat, egyszerűen egy átlagos előrejelzett log érték hatványozása az eredeti skála feltételes átlagának torzított becslését eredményezheti. A megfelelő korrekció a modellezési feltételezésektől és az értékelési céltól függ. Használjon folyamatot, hogy elkerülje az átalakítási paraméterek illesztését érvényesítési vagy tesztpéldák segítségével. Rögzítse az átalakítást és az illesztett paramétert, hogy a következtetés ugyanazt a leképezést használja. Jelentse a mérőszámokat a gyakorlati feladatnak megfelelő skálán, és ellenőrizze a maradékokat és az alcsoport-hatásokat, ne csak a transzformált eloszlást ítélje meg.
A pozitív jövedelemértékek modellje log transzformációt használ a jobb oldali ferdeség csökkentésére, majd az inverz transzformációval visszaadja az előrejelzéseket az eredeti skálán.
Egy csővezeték szigorúan pozitív mérésre alkalmazza a Box-Coxot, és csak a betanítási adatok felhasználásával illeszkedik a paraméteréhez.
Egy adatkészlet nulla és negatív értékeket tartalmaz, így az elemző a Yeo-Johnson vagy más indokolt módszert veszi figyelembe a sima logaritmus alkalmazása helyett.
Egy csapat összehasonlítja a reziduális viselkedést és a kitartott teljesítményt az átalakítás előtt és után, ahelyett, hogy azt feltételezné, hogy egy Gauss-szerűbb tulajdonság jobb modellt garantál.
A transzformációk továbbra is hasznosak lesznek, mint átlátható eszközök a modellfeltevések egyeztetésére és a multiplikatív struktúra ábrázolására. Az automatizált csővezetékek biztonságosan illeszthetik a paramétereket és megőrizhetik az inverz leképezéseket, míg a modern modellek csökkenthetik a kézi elosztás-alakítás szükségességét bizonyos feladatoknál. Egyik trend sem szünteti meg annak szükségességét, hogy a felhasználókat érdeklő skálán hasonlítsák össze az eredményeket. Ahogy a telepítési folyamatok fejlődnek, a csapatoknak meg kell őrizniük az átalakítási metaadatokat, és figyelniük kell a bemeneti tartományokat azon értékek tekintetében, amelyeket az illesztett leképezés nem adott jól. Jegyezze fel az illesztett paramétereket a modell műtermékkel.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A napló, a Box-Cox és a Yeo-Johnson transzformációk átformálják a numerikus eloszlásokat, gyakran csökkentve a jobb oldali ferdeséget és stabilizálva az eltéréseket a modellezés előtt. Megváltoztatják az értékek skáláját és értelmezését, ezért körültekintően kell kezelni a transzformáció kiválasztását, az illesztett paramétereket és az inverz előrejelzéseket.
A logaritmus lassabban növekszik nagyobb bemeneteknél, és csökkentheti a jobb oldali ferdeséget.
A Yeo-Johnson külön ágakkal támogatja a pozitív és negatív bemeneteket.
A visszatartott adatok felhasználása az előfeldolgozási paraméterek becslésére információkat szivárog ki az értékelésbe.
Az inverz transzformáció visszaadja az előrejelzéseket a cél eredeti egységeire.
A nemlineáris függvények esetében a várakozás inverze általában eltér az eredeti skála elvárásától.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Videó-videó stílus átalakítás
Vizuális AI