論文の概要: A Visualization for Comparative Analysis of Regression Models

• arxiv url: http://arxiv.org/abs/2603.19291v1
• Date: Tue, 10 Mar 2026 07:31:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.851354
• Title: A Visualization for Comparative Analysis of Regression Models
• Title（参考訳）: 回帰モデルの比較分析のための可視化
• Authors: Nassime Mountasir, Baptiste Lafabregue, Bruno Albert, Nicolas Lachiche,
• Abstract要約: 平均絶対誤差(MAE)、ルート平均二乗誤差(RMSE)、R二乗誤差(R$2$)など、様々な測定値を用いて測定される。 この記事では、回帰モデルのパフォーマンスの重要な側面を強調する、新しい視覚化アプローチを紹介します。
• 参考スコア（独自算出の注目度）: 1.1024591739346294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As regression is a widely studied problem, many methods have been proposed to solve it, each of them often requiring setting different hyper-parameters. Therefore, selecting the proper method for a given application may be very difficult and relies on comparing their performances. Performance is usually measured using various metrics such as Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), or R-squared (R${}^2$). These metrics provide a numerical summary of predictive accuracy by quantifying the difference between predicted and actual values. However, while these metrics are widely used in the literature for summarizing model performance and useful to distinguish between models performing poorly and well, they often aggregate too much information. This article addresses these limitations by introducing a novel visualization approach that highlights key aspects of regression model performance. The proposed method builds upon three main contributions: (1) considering the residuals in a 2D space, which allows for simultaneous evaluation of errors from two models, (2) leveraging the Mahalanobis distance to account for correlations and differences in scale within the data, and (3) employing a colormap to visualize the percentile-based distribution of errors, making it easier to identify dense regions and outliers. By graphically representing the distribution of errors and their correlations, this approach provides a more detailed and comprehensive view of model performance, enabling users to uncover patterns that traditional aggregate metrics may obscure. The proposed visualization method facilitates a deeper understanding of regression model performance differences and error distributions, enhancing the evaluation and comparison process.
• Abstract（参考訳）: 回帰は広く研究されている問題であるため、この問題を解決するために多くの方法が提案されている。 したがって、与えられたアプリケーションに対して適切なメソッドを選択することは非常に困難であり、性能の比較に依存する可能性がある。 平均絶対誤差(MAE)、ルート平均正方形誤差(RMSE)、R-2乗(R${}^2$)など、様々な測定値を用いて測定される。 これらの指標は、予測値と実際の値の差を定量化することにより、予測精度の数値的な要約を提供する。 しかし、これらの指標はモデルパフォーマンスの要約に広く使われており、モデルの性能が良くないと区別するのに役立ちます。 この記事では、回帰モデルのパフォーマンスの重要な側面を強調する新しい視覚化アプローチを導入することで、これらの制限に対処する。 提案手法は,(1)2次元空間の残差を考慮した2次元モデルからの誤差の同時評価,(2)Mahalanobis距離を利用してデータ内の相関関係とスケール差を考慮し,(3)カラーマップを用いて誤差のパーセンタイル分布を可視化し,密集領域と外れ値の同定を容易にする。 エラーの分布とその相関をグラフィカルに表現することで、このアプローチはモデルのパフォーマンスをより詳細に、包括的なビューを提供する。 提案手法により,回帰モデルの性能差と誤差分布のより深い理解が容易となり,評価と比較のプロセスが向上する。

関連論文リスト

• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Minimal Variance Model Aggregation: A principled, non-intrusive, and versatile integration of black box models [0.2455468619225742]
  様々なモデルから予測を統合するデータ駆動型フレームワークであるMEVA(Minimal Empirical Variance Aggregation)を紹介する。 この非侵襲的モデルに依存しないアプローチは、貢献するモデルをブラックボックスとして扱い、多様な方法論からの出力を許容する。
  論文  参考訳（メタデータ） (2024-09-25T18:33:21Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• MAUVE Scores for Generative Models: Theory and Practice [95.86006777961182]
  本報告では,テキストや画像の生成モデルで発生するような分布のペア間の比較尺度であるMAUVEについて述べる。 我々は、MAUVEが人間の文章の分布と現代のニューラル言語モデルとのギャップを定量化できることを発見した。 我々は、MAUVEが既存のメトリクスと同等以上の画像の既知の特性を識別できることを視覚領域で実証する。
  論文  参考訳（メタデータ） (2022-12-30T07:37:40Z)
• Understanding Factual Errors in Summarization: Errors, Summarizers, Datasets, Error Detectors [105.12462629663757]
  本研究では、既存の9つのデータセットから事実性エラーアノテーションを集約し、基礎となる要約モデルに従ってそれらを階層化する。 本稿では,この階層化ベンチマークにおいて,最近のChatGPTベースの指標を含む最先端の事実性指標の性能を比較し,その性能が様々な種類の要約モデルで大きく異なることを示す。
  論文  参考訳（メタデータ） (2022-05-25T15:26:48Z)
• RMFGP: Rotated Multi-fidelity Gaussian process with Dimension Reduction for High-dimensional Uncertainty Quantification [12.826754199680474]
  マルチフィデリティモデリングは、少量の正確なデータしか入手できない場合でも、正確な推測を可能にする。 高忠実度モデルと1つ以上の低忠実度モデルを組み合わせることで、多忠実度法は興味のある量の正確な予測を行うことができる。 本稿では,回転多要素ガウス過程の回帰に基づく新しい次元削減フレームワークとベイズ能動学習手法を提案する。
  論文  参考訳（メタデータ） (2022-04-11T01:20:35Z)
• IMACS: Image Model Attribution Comparison Summaries [16.80986701058596]
  我々は,勾配に基づくモデル属性とアグリゲーションと可視化技術を組み合わせたIMACSを提案する。 IMACSは評価データセットから適切な入力特徴を抽出し、類似性に基づいてクラスタ化し、類似した入力特徴に対するモデル属性の違いを可視化する。 本稿では,衛星画像上で訓練した2つのモデル間の領域シフトによる行動差を明らかにする方法を示す。
  論文  参考訳（メタデータ） (2022-01-26T21:35:14Z)
• A Statistical Analysis of Summarization Evaluation Metrics using Resampling Methods [60.04142561088524]
  信頼区間は比較的広く,信頼性の高い自動測定値の信頼性に高い不確実性を示す。 多くのメトリクスはROUGEよりも統計的改善を示していないが、QAEvalとBERTScoreという2つの最近の研究は、いくつかの評価設定で行われている。
  論文  参考訳（メタデータ） (2021-03-31T18:28:14Z)

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。