Regresión lineal: ¿Cómo favorecer los parámetros menos "sensibles"?

9

Tengo un modelo de regresión simple ( y = param1 * x1 + param2 * x2 ). Cuando ajusto el modelo a mis datos, encuentro dos buenas soluciones:

  • La solución A, params = (2,7), es mejor en el conjunto de entrenamiento con RMSE = 2.5

  • ¡PERO! Solución B params = (24,20) gana mucho en el conjunto de validación , cuando hago validación cruzada.

ingrese la descripción de la imagen aquí Sospecho que esto se debe a que:

  • La solución A está rodeada de malas soluciones. Entonces, cuando uso la solución A, el modelo es más sensible a las variaciones de datos.

  • la solución B está rodeada de soluciones correctas, por lo que es menos sensible a los cambios en los datos.

¿Es esta una nueva teoría que acabo de inventar, que las soluciones con buenos vecinos son menos adecuadas? :))

¿Existen métodos de optimización genéricos que me ayudarían a favorecer las soluciones B a la solución A?

¡AYUDA!

regression cross-validation overfitting sensitivity-analysis elemolotiv
fuente
2
¿Tu imagen está entrenando error de conjunto? ¿Se puede hacer la misma imagen para el error de validación cruzada? Pulgares para una trama genial.
Zach
1
¿Podrías también compartir los datos? Este es un problema interesante.
Zach
1
¿Qué tipo de CV usaste?
Laksan Nathan
1
¿Hay una intercepción en su modelo?
EdM
1
Simplemente como una cuestión estadística, si tengo un conjunto de datos suficientemente grande distribuido de acuerdo con un modelo lineal, y miro pequeños subconjuntos del conjunto de datos, habrá un subconjunto con cualquier valor de la pendiente que pueda desear. Por lo tanto, necesitaría probar contra la hipótesis nula de que esto simplemente surge por casualidad. Si tiene alguna razón adicional para pensar que el conjunto de validación es más confiable que el conjunto de entrenamiento, puede usar la regresión de mínimos cuadrados ponderados para ajustar la importancia del conjunto de validación frente al conjunto de entrenamiento.
Dave Kielpinski

Respuestas:

2

La única forma de obtener una rmse que tiene dos mínimos locales es que los residuos del modelo y los datos sean no lineales. Dado que uno de estos, el modelo, es lineal (en 2D), el otro, es decir, ely datos, deben ser no lineales, ya sea con respecto a la tendencia subyacente de los datos o la función de ruido de esos datos, o ambos.

Por lo tanto, un mejor modelo, uno no lineal, sería el punto de partida para investigar los datos. Además, sin saber algo más sobre los datos, no se puede decir qué método de regresión se debe utilizar con certeza. Puedo ofrecer que la regularización de Tikhonov, o la regresión de cresta relacionada, sería una buena manera de abordar la pregunta OP. Sin embargo, qué factor de suavizado debería usarse dependería de lo que uno esté tratando de obtener modelando. La suposición aquí parece ser que la menor rmse es el mejor modelo ya que no tenemos un objetivo de regresión (aparte de OLS, que es el método predeterminado "ir a" más utilizado cuando un objetivo de regresión definido físicamente ni siquiera está conceptualizado) .

Entonces, ¿cuál es el propósito de realizar esta regresión, por favor? Sin definir ese propósito, no existe un objetivo o objetivo de regresión y solo estamos encontrando una regresión con fines cosméticos.

Carl
fuente