LegközelebbKövetkező útmutató
Softmax regresszió a többosztályos osztályozáshoz
Műszaki
Műszaki ÚTMUTATÓ
Az ordinális regresszió előrejelzi az olyan rendezett kategóriákat, mint az alacsony, közepes és magas, miközben a sorrendjüket egyenlő numerikus hézagok feltételezése nélkül használja.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Megbecsüli, hogy a prediktorok hogyan tolják el a látens tendenciát a kategóriaküszöbök között, így hasznos alternatívát jelent az értékelések nem kapcsolódó osztályokként vagy pontosan elosztott számokként való kezeléséhez.
Sok eredmény értelmes sorrendű, de védhető numerikus térközök nélküli kategória: az elégedettségi osztályzat, a súlyossági szintek és az oktatási fokozatok példák. A névleges osztályozó figyelmen kívül hagyja ezt a sorrendet. Az egész kódokon végzett szokásos regresszió numerikus távolságokat feltételez, és előrejelzéseket hozhat létre a kategóriák között vagy a skálán túl. Az ordinális regresszió megőrzi a rangsort, miközben modellezi a valószínűségeket az egyes rendezett szintekre. Egy általános megfogalmazás egy nem megfigyelt folytonos tendenciát feltételez, mint például az elégedettség, amely lineárisan kapcsolódik a prediktorokhoz. A küszöbértékek ezt a látens skálát megfigyelt kategóriákra osztják. Egy rendezett logit modellben a kategórián belüli vagy az alatti tartózkodás kumulatív valószínűsége egy logisztikai függvényen keresztül egy küszöbhöz van kötve, mínusz a prediktor pontszáma. A küszöbértékeket sorrendben becsüljük meg, míg a megosztott meredekség gyakran azt jelzi, hogy a prediktorok hogyan tolják el a látens tendenciát. A rendezett probit normál kumulatív eloszlást használ helyette. Egy hipotetikus négyszintű értékelésnél a kedvező előrejelző növekedése eltolhatja a valószínűséget az alacsony értékelésektől a magas értékelések felé. Nem feltétlenül növeli meg minden kategória valószínűségét: a középkategóriák nyerhetnek vagy veszíthetnek attól függően, hogy a küszöbökhöz képest hol helyezkedik el az eset. Az együtthatók tehát látens vagy kumulatív kapcsolati skálán írják le a mozgást, nem pedig minden jobb válasz valószínűségének közvetlen fix növekedését. Az arányos esélyek feltételezése a közös rendezett logit modellben azt mondja, hogy a prediktor hatások megoszlanak a kumulatív felosztások között, mint például az alacsony versus tisztességes vagy magasabb és az alacsony vagy méltányos versus jó vagy magasabb. Előfordulhat, hogy ez a szűkszavú feltételezés nem illeszkedik minden előrejelzőhöz vagy adatkészlethez. Mérje fel, vizsgálja meg a megjósolt valószínűségeket, és ha szükséges, hasonlítsa össze az alternatívákkal. A kategóriák sorrendjének megőrzése kifejezetten; A szoftver oly módon rendezheti a címkéket, hogy az ne tükrözze a szándékolt szemantikát. Értékeljen reprezentatív adatok alapján, és válasszon olyan mérőszámokat, amelyek tiszteletben tartják a különböző hibák sorrendjét és következményeit. Az ordinális regresszió önmagában nem teheti megbízhatóvá a kétértelmű kategóriadefiníciókat vagy az inkonzisztens emberi értékeléseket.
Egy hipotetikus szolgáltatási felmérés gyenge, tisztességes, jó és kiváló elégedettséget rögzít. Az ordinális modell ezt a sorrendet használja, de nem tételezi fel, hogy a szegénytől a jóig terjedő távolság egyenlő a jótól a kiválóig terjedő távolsággal.
A klinikus egy háromszintű tünetértékelést modellez egy rendezett logit segítségével. A becsült hatás eltolja a látens tendenciát, és a küszöbparaméterek határozzák meg, hogy ez a tendencia hogyan illeszkedik a megfigyelt kategóriákhoz.
A bíráló összehasonlítja az ordinális regressziót egy nominális osztályozóval, kitartott eseteket és osztályspecifikus hibákat használva. Ha a szomszédos hibák kevésbé költségesek, mint az ellentétes végű hibák, akkor a sorrendtudatos intézkedést is értékelik.
Egy csapat ellenőrzi, hogy az arányos esélyek feltételezése elfogadható-e, mielőtt egy közös meredekséget értelmezne a kumulatív kategóriafelosztások között. Ha nem sikerül, rugalmasabb sorszám-specifikációra lehet szükség.
Az ordinális előrejelző eszközök pontosabban tudják megmagyarázni az eredményeket, ha a rendezett kategóriavalószínűségeket jelenítik meg, nem pedig egyetlen címkét. A csapatoknak tartományszakértőkkel kell meghatározniuk a kategória jelentését, mérniük kell az értékelők egyetértését, és ellenőrizniük kell, hogy az előrejelző hatások hasonlóak-e az összesített vágási pontokon. Ha a feltételezések kudarcot vallanak, hasonlítsa össze a rugalmas ordinális modellt és a nominális alternatívákat a későbbi adatokon, olyan költségek felhasználásával, amelyek tükrözik a hibák távolságát és hatását. A kategóriák gyakoriságának megfigyelése feltárhatja a megváltozott minősítési gyakorlatokat, valamint a megváltozott eredményeket. A jobb mérési tervezés jobban javíthatja a hasznosságot, mint egy összetettebb modell, ha a kategóriákat nem következetesen alkalmazzák.
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
Az ordinális regresszió előrejelzi az olyan rendezett kategóriákat, mint az alacsony, közepes és magas, miközben a sorrendjüket egyenlő numerikus hézagok feltételezése nélkül használja. Megbecsüli, hogy a prediktorok hogyan tolják el a látens tendenciát a kategóriaküszöbök között, így hasznos alternatívát jelent az értékelések nem kapcsolódó osztályokként vagy pontosan elosztott számokként való kezeléséhez.
Az ordinális módszerek a kategóriák rangsorolását használják anélkül, hogy feltételeznék, hogy a kódok egyenlő intervallumokat mérnek.
A küszöbök a nem megfigyelt folyamatos tendenciát a rendezett megfigyelt eredményekre osztják fel.
A közös modell megköveteli a prediktor meredekségeinek megosztását a különböző kumulatív felosztásokhoz.
A lineáris regresszió a kódolt hézagokat értelmes távolságként kezeli, és nem kategóriás értékeket adhat ki.
A látens eloszlás eltolásával a valószínűség átléphet a küszöbértékeken, és egy középkategória tömege növekedhet vagy veszíthet.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Softmax regresszió a többosztályos osztályozáshoz
Műszaki