論文の概要: Prediction Intervals and Confidence Regions for Symbolic Regression
Models based on Likelihood Profiles
- arxiv url: http://arxiv.org/abs/2209.06454v1
- Date: Wed, 14 Sep 2022 07:07:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-15 12:43:50.037520
- Title: Prediction Intervals and Confidence Regions for Symbolic Regression
Models based on Likelihood Profiles
- Title(参考訳): 確率プロファイルに基づく記号回帰モデルの予測間隔と信頼領域
- Authors: Fabricio Olivetti de Franca and Gabriel Kronberger
- Abstract要約: 回帰モデルの不確実性の定量化は、モデルの解釈と意思決定にとって重要である。
線形近似といわゆる確率プロファイルは、信頼度と予測間隔の計算においてよく知られた可能性である。
これらの単純で効果的な手法は、遺伝子プログラミングの文献で完全に無視されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Symbolic regression is a nonlinear regression method which is commonly
performed by an evolutionary computation method such as genetic programming.
Quantification of uncertainty of regression models is important for the
interpretation of models and for decision making. The linear approximation and
so-called likelihood profiles are well-known possibilities for the calculation
of confidence and prediction intervals for nonlinear regression models. These
simple and effective techniques have been completely ignored so far in the
genetic programming literature. In this work we describe the calculation of
likelihood profiles in details and also provide some illustrative examples with
models created with three different symbolic regression algorithms on two
different datasets. The examples highlight the importance of the likelihood
profiles to understand the limitations of symbolic regression models and to
help the user taking an informed post-prediction decision.
- Abstract(参考訳): シンボリック回帰(英: symbolic regression)は、遺伝的プログラミングのような進化的計算法によって一般的に実行される非線形回帰法である。
回帰モデルの不確かさの定量化は、モデルの解釈と意思決定のために重要である。
線形近似といわゆる確率プロファイルは、非線形回帰モデルに対する信頼度と予測間隔の計算によく知られた可能性である。
これらの単純で効果的な手法は、遺伝子プログラミングの文献で完全に無視されている。
本研究では,2つの異なるデータセット上に3つの異なる記号回帰アルゴリズムを用いて生成したモデルを用いて,確率プロファイルの計算を詳細に記述する。
これらの例は、象徴的回帰モデルの限界を理解し、ユーザが予測後決定を下す手助けをする可能性プロファイルの重要性を強調している。
関連論文リスト
- Adaptive Optimization for Prediction with Missing Data [6.800113478497425]
適応線形回帰モデルの中には,命令規則と下流線形回帰モデルを同時に学習するのと等価なものもある。
ランダムにデータの欠落が強くない環境では,本手法はサンプル外精度を2~10%向上させる。
論文 参考訳(メタデータ) (2024-02-02T16:35:51Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - Variational Imbalanced Regression: Fair Uncertainty Quantification via
Probabilistic Smoothing [13.339286071690394]
既存の回帰モデルは、ラベル分布が不均衡である場合、精度と不確実性の推定の両方において不足する傾向にある。
変分不均衡回帰(VIR)と呼ばれる確率的深層学習モデルを提案する。
VIRは不均衡回帰において良好に機能するが、自然に副産物として妥当な不確かさを推定する。
論文 参考訳(メタデータ) (2023-06-11T06:27:06Z) - Automated Learning of Interpretable Models with Quantified Uncertainty [0.0]
我々は遺伝子プログラミングに基づくシンボリックレグレッション(GPSR)の新しい枠組みを導入する。
GPSRはモデルエビデンスを用いて、進化の選択段階における置換確率を定式化する。
従来のGPSR実装と比較して、解釈可能性の向上、ノイズに対する堅牢性の向上、オーバーフィッティングの低減が示されている。
論文 参考訳(メタデータ) (2022-04-12T19:56:42Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳(メタデータ) (2021-12-29T23:37:06Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳(メタデータ) (2021-09-06T14:52:58Z) - Logistic Regression Through the Veil of Imprecise Data [0.0]
ロジスティック回帰は、いくつかの予測変数に基づいて結果の確率を評価する重要な統計ツールである。
標準的な手法は、正確に知られているデータのみを扱うことができるが、多くのデータセットには、従来の手法が単一ポイントに縮小するか、完全に無視されるかの不確実性がある。
論文 参考訳(メタデータ) (2021-06-01T13:51:46Z) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳(メタデータ) (2021-05-07T03:33:00Z) - Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware
Regression [91.3373131262391]
不確かさが唯一の確実性である。
伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。
現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
論文 参考訳(メタデータ) (2021-03-25T06:56:09Z) - Symbolic Regression Driven by Training Data and Prior Knowledge [0.0]
シンボリック回帰では、分析モデルの探索は、トレーニングデータサンプルで観測された予測誤差によって純粋に駆動される。
本稿では、学習データと所望のモデルが示す特性の事前知識の両方によって駆動される多目的的シンボリック回帰手法を提案する。
論文 参考訳(メタデータ) (2020-04-24T19:15:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。