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

• Branch and Bound to Assess Stability of Regression Coefficients in Uncertain Models [0.6990493129893112]
  提案アルゴリズムは,数学的な結果のサポート,サンプルアプリケーション,コンピュータコードへのリンクなどとともに導入する。 これは、研究者が高次元データを要約し、不確実なモデルにおける回帰係数の安定性を評価するのに役立つ。
  論文  参考訳（メタデータ） (2024-08-19T01:37:14Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。 本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• 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)
• Engression: Extrapolation through the Lens of Distributional Regression [2.519266955671697]
  我々は、エングレースと呼ばれるニューラルネットワークに基づく分布回帰手法を提案する。 エングレスモデル(engression model)は、適合した条件分布からサンプリングできるという意味で生成され、高次元結果にも適している。 一方、最小二乗法や量子回帰法のような従来の回帰手法は、同じ仮定の下では不十分である。
  論文  参考訳（メタデータ） (2023-07-03T08:19:00Z)
• 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。