SeterusnyaPanduan seterusnya
Regresi Softmax untuk Pengelasan Berbilang Kelas
Teknikal
PANDUAN Teknikal
Regresi ordinal meramalkan kategori tertib seperti rendah, sederhana dan tinggi semasa menggunakan susunannya tanpa menganggap jurang angka yang sama.
Dengar panduan iniAI-diceritakan · ~3 min
Ia menganggarkan cara peramal mengalihkan kecenderungan terpendam merentas ambang kategori, menjadikannya alternatif yang berguna untuk menganggap penilaian sebagai kelas yang tidak berkaitan atau sebagai nombor yang dijarakkan dengan tepat.
Banyak hasil adalah kategori dengan susunan yang bermakna tetapi tanpa jarak angka yang boleh dipertahankan: penilaian kepuasan, tahap keterukan dan peringkat pendidikan adalah contoh. Pengelas nominal mengabaikan perintah ini. Regresi biasa pada kod integer menganggap jarak berangka dan boleh menghasilkan ramalan antara kategori atau di luar skala. Regresi ordinal mengekalkan kedudukan semasa memodelkan kebarangkalian untuk setiap peringkat yang dipesan. Formulasi biasa menganggap kecenderungan berterusan yang tidak diperhatikan, seperti kepuasan, berkaitan secara linear dengan peramal. Ambang membahagikan skala terpendam itu ke dalam kategori yang diperhatikan. Dalam model logit tersusun, kebarangkalian terkumpul berada pada atau di bawah kategori dikaitkan dengan ambang tolak skor peramal melalui fungsi logistik. Ambang dianggarkan mengikut tertib, manakala cerun dikongsi selalunya mewakili cara peramal mengalihkan kecenderungan terpendam. Probit tertib menggunakan taburan kumulatif biasa sebaliknya. Untuk penarafan empat peringkat hipotesis, peningkatan dalam peramal yang menguntungkan mungkin mengalihkan kebarangkalian daripada penarafan rendah dan kepada penarafan tinggi. Ia tidak semestinya meningkatkan setiap kebarangkalian kategori: kategori pertengahan boleh untung atau rugi bergantung pada tempat kes itu terletak berbanding ambang. Oleh itu, pekali menggambarkan pergerakan pada skala pautan terpendam atau kumulatif, bukan peningkatan tetap secara langsung dalam kebarangkalian setiap tindak balas yang lebih baik. Andaian kemungkinan berkadar dalam model logit tertib biasa mengatakan kesan peramal dikongsi merentas pemisahan terkumpul, seperti rendah berbanding adil atau lebih tinggi dan rendah atau adil berbanding baik atau lebih tinggi. Andaian parsimoni ini mungkin tidak sesuai dengan setiap peramal atau set data. Menilainya, periksa kebarangkalian yang diramalkan, dan bandingkan dengan alternatif apabila diperlukan. Juga mengekalkan susunan kategori secara eksplisit; perisian mungkin mengisih label dengan cara yang tidak menggambarkan semantik yang dimaksudkan. Nilaikan data perwakilan dan pilih metrik yang menghormati susunan dan akibat daripada kesilapan yang berbeza. Regresi ordinal tidak boleh membuat takrifan kategori samar-samar atau penilaian manusia yang tidak konsisten boleh dipercayai dengan sendirinya.
Tinjauan perkhidmatan hipotesis merekodkan kepuasan yang lemah, adil, baik dan cemerlang. Model ordinal menggunakan susunan itu tetapi tidak menganggap jarak dari miskin ke adil sama dengan jarak dari baik ke cemerlang.
Seorang doktor memodelkan penarafan gejala tiga peringkat menggunakan logit tersusun. Kesan yang dianggarkan mengalihkan kecenderungan terpendam dan parameter ambang menentukan cara kecenderungan itu memetakan kepada kategori yang diperhatikan.
Penyemak membandingkan regresi ordinal dengan pengelas nominal menggunakan kes tertahan dan ralat khusus kelas. Jika kesilapan bersebelahan adalah lebih murah daripada kesilapan bertentangan, mereka juga menilai langkah sedar pesanan.
Pasukan menyemak sama ada andaian proportional-odds adalah munasabah sebelum mentafsir satu cerun biasa merentas pemisahan kategori terkumpul. Jika gagal, spesifikasi ordinal yang lebih fleksibel mungkin diperlukan.
Alat ramalan ordinal boleh menerangkan hasil dengan lebih tepat apabila ia memaparkan kebarangkalian kategori tersusun dan bukannya satu label sahaja. Pasukan harus menentukan makna kategori dengan pakar domain, mengukur persetujuan penilai dan menyemak sama ada kesan peramal kekal serupa merentas titik potong terkumpul. Apabila andaian gagal, bandingkan model ordinal yang fleksibel dan alternatif nominal pada data kemudian, menggunakan kos yang mencerminkan jarak dan kesan kesilapan. Kekerapan kategori pemantauan boleh mendedahkan amalan penarafan yang berubah serta hasil yang berubah. Reka bentuk ukuran yang lebih baik boleh meningkatkan kegunaan lebih daripada model yang lebih kompleks apabila kategori digunakan secara tidak konsisten.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Regresi ordinal meramalkan kategori tertib seperti rendah, sederhana dan tinggi semasa menggunakan susunannya tanpa menganggap jurang angka yang sama. Ia menganggarkan cara peramal mengalihkan kecenderungan terpendam merentas ambang kategori, menjadikannya alternatif yang berguna untuk menganggap penilaian sebagai kelas yang tidak berkaitan atau sebagai nombor yang dijarakkan dengan tepat.
Kaedah ordinal menggunakan pemeringkatan kategori tanpa menganggap kod mengukur selang yang sama.
Ambang membahagikan kecenderungan berterusan yang tidak diperhatikan kepada hasil yang diperhatikan yang tersusun.
Model biasa mengekang cerun peramal untuk dikongsi bagi pembahagian terkumpul yang berbeza.
Regresi linear menganggap jurang berkod sebagai jarak yang bermakna dan boleh mengeluarkan nilai bukan kategori.
Mengalihkan taburan terpendam boleh mengalihkan kebarangkalian merentasi ambang, dan kategori pertengahan boleh mendapat atau kehilangan jisim.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Regresi Softmax untuk Pengelasan Berbilang Kelas
Teknikal