Accuracy-parsimony analysisThe Lass

Accuracy-parsimony analysis
The Lasso regression performs variable selection and parameter estimation at the same time. It encourages sparse solutions, i.e. solutions that make use of a small number of variables [31,38]. In order to study how the parsimony of the model affects its predictive accuracy, we studied the performance of the model when fitted under a constraint on the maximum number of variables, n, to be included. We refer to this approach as “constrained Lasso model”.
In particular, for a given n, we trained the constrained Lasso model according to the 10-fold cross-validation procedure described above. We calculated the mean number of variables actually included in the models averaging over the 10 regression models (one for each fold of the cross-validation) fitted during the cross-validation procedure. We evaluated the accuracy of the model with AUCs for single and multiple fallers, and mean squared error (MSE). MSE was calculated as the mean squared difference between the observed number of falls and the predicted fall rate μ. We repeated this analysis varying n from 1 to 40.

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ความแม่นยำ parsimonyการถดถอยแบบ Lasso ดำเนินการประเมินการเลือกและพารามิเตอร์ตัวแปรในเวลาเดียวกัน มันส่งเสริมให้โซลูชั่นห่าง เช่นทำให้ใช้จำนวนเล็กน้อยของตัวแปร [31,38] เพื่อศึกษาวิธี parsimony ของรูปแบบมีผลต่อความแม่นยำของระบบ เราศึกษาประสิทธิภาพของรูปแบบเมื่อติดตั้งภายใต้ข้อจำกัดสำหรับจำนวนสูงสุดของตัวแปร n รวม เราใช้วิธีการนี้คำว่า "มีข้อจำกัดแบบ Lasso แบบ"โดยเฉพาะ เพื่อให้ n เราฝึกแบบแลซโซจำกัดตามขั้นตอนการตรวจสอบข้าม 10-fold ที่อธิบายข้างต้น เราคำนวณจำนวนเฉลี่ยของตัวแปรจริง รวมอยู่ในแบบจำลองเฉลี่ยมากกว่าแบบจำลองถดถอย 10 (หนึ่งสำหรับแต่ละพับของการตรวจสอบข้าม) ที่ติดตั้งในระหว่างกระบวนการตรวจสอบข้าม เราประเมินความถูกต้องของโมเดลด้วย AUCs และมิถุนายนปีเดียว และหลาย และกำลังสองเฉลี่ย (MSE) ข้อผิดพลาด MSE ที่คำนวณเฉลี่ยกำลังสองความแตกต่างระหว่างการสังเกตจำนวนของน้ำตก และμราคาตกอยู่ที่คาดการณ์ เราทำซ้ำนี้วิเคราะห์ n ที่แตกต่างกันจาก 1 ถึง 40

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ความถูกต้อง-ประหยัด
ถดถอยเชือกดำเนินการเลือกตัวแปรและประมาณค่าพารามิเตอร์ในเวลาเดียวกัน มันส่งเสริมให้การแก้ปัญหาเบาบางเช่นการแก้ปัญหาที่ทำให้การใช้จำนวนเล็ก ๆ ของตัวแปร [31,38] เพื่อศึกษาวิธีการประหยัดของรูปแบบที่มีผลกระทบต่อความถูกต้องของการคาดการณ์ของเราศึกษาประสิทธิภาพของรูปแบบเมื่อติดตั้งอยู่ภายใต้ข้อ จำกัด เกี่ยวกับจำนวนสูงสุดของตัวแปร, N ที่จะรวม เราเรียกวิธีการนี้ว่า "ข้อ จำกัด รูปแบบเชือก".
โดยเฉพาะอย่างยิ่งสำหรับ n ก็ตามที่เราผ่านการฝึกอบรมรุ่นเชือก จำกัด ตามขั้นตอนการตรวจสอบข้าม 10 เท่าอธิบายไว้ข้างต้น เราคำนวณตัวเลขค่าเฉลี่ยของตัวแปรรวมจริงในรูปแบบเฉลี่ยกว่ารุ่นถดถอย 10 (หนึ่งสำหรับพับของการตรวจสอบข้ามแต่ละคน) ติดตั้งในระหว่างขั้นตอนการตรวจสอบข้าม เราประเมินความถูกต้องของรูปแบบที่มี AUCS สำหรับ fallers เดียวและหลายและคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) MSE ที่คำนวณได้เป็นความแตกต่างที่ยกกำลังสองเฉลี่ยระหว่างจำนวนสังเกตของน้ำตกและอัตราฤดูใบไม้ร่วงที่คาดการณ์μ เราซ้ำการวิเคราะห์นี้แตกต่างกัน n 1-40

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์ความตระหนี่ ความถูกต้องบ่วงถดถอยมีประสิทธิภาพการเลือกตัวแปรและการประมาณค่าพารามิเตอร์ในเวลาเดียวกัน มันสนับสนุนให้เบาบาง โซลูชั่น คือ โซลูชั่นที่ใช้จำนวนน้อยของตัวแปร [ 31,38 ] เพื่อศึกษาว่าตระหนี่ของรูปแบบมีผลต่อความถูกต้องของการพยากรณ์ เราศึกษาประสิทธิภาพของรูปแบบเมื่อติดตั้งภายใต้ข้อจำกัดเกี่ยวกับจำนวนสูงสุดของตัวแปร n ที่จะถูกรวม เราเรียกวิธีการนี้ว่า " บังคับเชือก แบบ "โดยเฉพาะให้ N เราฝึกแบบบังคับเชือกตาม 10 โฟลดขั้นตอนที่อธิบายข้างต้น เราคำนวณค่าเฉลี่ยจำนวนตัวแปรจริงรวมอยู่ในรุ่นเฉลี่ยกว่า 10 โมเดลการถดถอย ( หนึ่งสำหรับแต่ละพับของการข้ามการตรวจสอบ ) พอดีช่วงข้ามการตรวจสอบกระบวนการ เราประเมินความถูกต้องของแบบจำลองกับ aucs สำหรับเดียวและหลาย fallers และค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( MSE ) วิธีการคำนวณเป็นค่าเฉลี่ยยกกำลังสอง ความแตกต่างระหว่าง สังเกตจำนวนของน้ำตกและคาดการณ์μคะแนนตก เราวิเคราะห์ซ้ำนี้แตกต่างจาก 1 ถึง 40