Il prossimoProssima guida
Trasformazione dello stile da video a video
IA visiva
GUIDA TECNICA
Le trasformazioni Log, Box-Cox e Yeo-Johnson rimodellano le distribuzioni numeriche, spesso riducendo l'inclinazione a destra e stabilizzando la variazione prima della modellazione.
Ascolta questa guidaNarrato dall'IA · ~3 min
Cambiano la scala e l'interpretazione dei valori, quindi la scelta della trasformazione, i parametri adattati e le previsioni inverse devono essere gestiti con attenzione.
Una trasformazione modifica la scala numerica di una variabile per rendere più semplice la rappresentazione dei modelli da parte di un modello. Un logaritmo cresce lentamente per grandi valori positivi, quindi può ridurre l'inclinazione a destra e trasformare le relazioni moltiplicative in relazioni aggiuntive. Il cambiamento significa anche che le differenze sulla scala trasformata non corrispondono più a differenze assolute uguali sulla scala originale. Il logaritmo ordinario richiede input positivi. Una trasformazione log1p utilizza log(1 più x) e accetta zero ma richiede comunque x maggiore di uno negativo. L'aggiunta di una costante arbitraria per consentire valori negativi cambia l'interpretazione e dovrebbe essere giustificata. Box-Cox considera una famiglia di trasformazioni di potenza e stima un parametro, ma la sua forma standard richiede valori strettamente positivi. Yeo-Johnson è un'altra famiglia di trasformatori di potenza in grado di gestire valori zero e negativi. Questi metodi possono aiutare con caratteristiche o obiettivi distorti, ma non sono requisiti di preelaborazione universali. I modelli basati su alberi possono essere meno sensibili al ridimensionamento monotono rispetto ai modelli basati su relazioni lineari o distanza, sebbene le modifiche alla distribuzione possano comunque influenzare alcuni flussi di lavoro. Una trasformazione non rimuove i valori anomali, non stabilisce la normalità, non corregge il campionamento distorto né garantisce previsioni migliori. Confronta il comportamento del modello e gli errori sui dati trattenuti. Per le trasformazioni di destinazione, adattare i parametri di trasformazione ai dati di addestramento e trasformare di conseguenza gli obiettivi di addestramento. Al momento della previsione, applica la trasformazione inversa per tornare alle unità originali. Poiché gli inversi non lineari non preservano le medie, il semplice esponenziale di un valore logaritmico medio previsto può produrre una stima distorta della media condizionale sulla scala originale. La correzione appropriata dipende dalle ipotesi di modellazione e dall'obiettivo della valutazione. Utilizzare una pipeline per evitare di adattare i parametri di trasformazione utilizzando la convalida o esempi di test. Registrare la trasformazione e il parametro adattato in modo che l'inferenza utilizzi la stessa mappatura. Riporta i parametri in una scala che corrisponda al compito pratico e ispeziona i residui e gli effetti dei sottogruppi invece di giudicare solo la distribuzione trasformata.
Un modello di valori di reddito positivi utilizza una trasformazione logaritmica per ridurre l'inclinazione a destra, quindi riporta le previsioni sulla scala originale con la trasformazione inversa.
Una pipeline applica Box-Cox a una misurazione strettamente positiva e adatta i suoi parametri utilizzando solo i dati di addestramento.
Un set di dati include valori zero e negativi, quindi l'analista considera Yeo-Johnson o un altro metodo giustificato invece di applicare un semplice logaritmo.
Un team confronta il comportamento residuo e le prestazioni mantenute prima e dopo la trasformazione piuttosto che assumere che una caratteristica dall'aspetto più gaussiano garantisca un modello migliore.
Le trasformazioni continueranno a essere utili come strumenti trasparenti per far corrispondere le ipotesi del modello e rappresentare la struttura moltiplicativa. Le pipeline automatizzate possono adattare i parametri in modo sicuro e preservare le mappature inverse, mentre i modelli moderni possono ridurre la necessità di modellare manualmente la distribuzione in alcune attività. Nessuna delle due tendenze elimina la necessità di confrontare i risultati sulla scala che interessa agli utenti. Man mano che le pipeline di distribuzione si evolvono, i team dovrebbero conservare i metadati di trasformazione e monitorare gli intervalli di input per i valori che la mappatura adattata non rappresentava bene. Registrare i parametri adattati con l'artefatto del modello.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Le trasformazioni Log, Box-Cox e Yeo-Johnson rimodellano le distribuzioni numeriche, spesso riducendo l'inclinazione a destra e stabilizzando la variazione prima della modellazione. Cambiano la scala e l'interpretazione dei valori, quindi la scelta della trasformazione, i parametri adattati e le previsioni inverse devono essere gestiti con attenzione.
Il logaritmo cresce più lentamente per input più grandi e può ridurre l'inclinazione a destra.
Yeo-Johnson supporta input positivi e negativi con rami separati.
L'utilizzo di dati trattenuti per stimare i parametri di preelaborazione fa sì che le informazioni vengano convogliate nella valutazione.
La trasformazione inversa restituisce le previsioni alle unità originali del bersaglio.
Per le funzioni non lineari, l'inverso di un'aspettativa generalmente differisce dall'aspettativa sulla scala originale.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Trasformazione dello stile da video a video
IA visiva