ДалееСледующее руководство
Регрессия Softmax для мультиклассовой классификации
Технический
Техническое РУКОВОДСТВО
Порядковая регрессия прогнозирует упорядоченные категории, такие как низкий, средний и высокий, используя их порядок, не предполагая равных числовых промежутков.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Он оценивает, как предикторы сдвигают скрытую тенденцию через пороговые значения категорий, что делает его полезной альтернативой рассмотрению рейтингов как несвязанных классов или как точно расположенных чисел.
Многие результаты представляют собой категории со значимым порядком, но без оправданного числового интервала: примерами могут служить рейтинги удовлетворенности, уровни серьезности и уровни образования. Номинальный классификатор игнорирует этот порядок. Обычная регрессия для целочисленных кодов предполагает числовые расстояния и может давать прогнозы между категориями или за пределами шкалы. Порядковая регрессия сохраняет ранжирование при моделировании вероятностей для каждого упорядоченного уровня. Общая формулировка предполагает наличие ненаблюдаемой непрерывной тенденции, такой как удовлетворенность, линейно связанной с предикторами. Пороги делят эту скрытую шкалу на наблюдаемые категории. В упорядоченной логит-модели совокупная вероятность попадания в категорию или ниже связана с пороговым значением за вычетом оценки предиктора посредством логистической функции. Пороги оцениваются по порядку, а общий наклон часто показывает, как предикторы сдвигают скрытую тенденцию. Вместо этого упорядоченный пробит использует нормальное кумулятивное распределение. Для гипотетического четырехуровневого рейтинга увеличение благоприятного предиктора может сместить вероятность от низких рейтингов к высоким. Это не обязательно увеличивает вероятность каждой категории: средние категории могут выиграть или проиграть в зависимости от того, где находится случай относительно пороговых значений. Таким образом, коэффициенты описывают движение по скрытой или кумулятивной шкале, а не прямое фиксированное увеличение вероятности каждого лучшего ответа. Предположение о пропорциональных шансах в общей модели с упорядоченным логитом говорит о том, что эффекты предикторов распределяются между кумулятивными разбиениями, например, низкий или удовлетворительный или высокий, а также низкий или удовлетворительный или хороший или высокий. Это экономное предположение может не соответствовать каждому предсказателю или набору данных. Оцените его, проверьте прогнозируемые вероятности и при необходимости сравните с альтернативами. Также явно сохраняйте порядок категорий; программное обеспечение может сортировать метки таким образом, который не отражает предполагаемую семантику. Оценивайте репрезентативные данные и выбирайте показатели, учитывающие порядок и последствия различных ошибок. Порядковая регрессия сама по себе не может сделать двусмысленные определения категорий или противоречивые человеческие рейтинги надежными.
Гипотетическое обследование услуг фиксирует низкую, удовлетворительную, хорошую и отличную удовлетворенность. Порядковая модель использует этот порядок, но не предполагает, что расстояние от плохого до удовлетворительного равно расстоянию от хорошего до превосходного.
Врач моделирует трехуровневую оценку симптомов, используя упорядоченный логит. Предполагаемый эффект сдвигает скрытую тенденцию, а пороговые параметры определяют, как эта тенденция соотносится с наблюдаемыми категориями.
Рецензент сравнивает порядковую регрессию с номинальным классификатором, используя удерживаемые случаи и ошибки, характерные для класса. Если соседние ошибки обходятся дешевле, чем ошибки на противоположном конце, они также оценивают меру с учетом порядка.
Команда проверяет, правдоподобно ли предположение о пропорциональных шансах, прежде чем интерпретировать один общий наклон для совокупных разделений категорий. Если это не удастся, может потребоваться более гибкая порядковая спецификация.
Инструменты порядкового прогнозирования могут более точно объяснить результаты, когда они отображают вероятности упорядоченных категорий, а не только одну метку. Команды должны определить значения категорий вместе с экспертами в предметной области, измерить согласие оценщиков и проверить, остаются ли прогностические эффекты одинаковыми для кумулятивных контрольных точек. Если предположения не оправдались, сравните гибкую порядковую модель и номинальные альтернативы с более поздними данными, используя затраты, которые отражают расстояние и влияние ошибок. Мониторинг частоты категорий может выявить изменения в рейтинговой практике, а также изменившиеся результаты. Более совершенный дизайн измерений может повысить полезность в большей степени, чем более сложная модель, когда категории применяются непоследовательно.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Порядковая регрессия прогнозирует упорядоченные категории, такие как низкий, средний и высокий, используя их порядок, не предполагая равных числовых промежутков. Он оценивает, как предикторы сдвигают скрытую тенденцию через пороговые значения категорий, что делает его полезной альтернативой рассмотрению рейтингов как несвязанных классов или как точно расположенных чисел.
Порядковые методы используют ранжирование категорий, не предполагая, что коды измеряют равные интервалы.
Пороги делят ненаблюдаемую непрерывную тенденцию на упорядоченные наблюдаемые результаты.
Общая модель ограничивает наклоны предикторов, которые должны быть общими для различных кумулятивных разбиений.
Линейная регрессия рассматривает закодированные пробелы как значимые расстояния и может выводить значения, не относящиеся к категориям.
Сдвиг скрытого распределения может привести к перемещению вероятности через пороговые значения, а средняя категория может получить или потерять массу.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Регрессия Softmax для мультиклассовой классификации
Технический