]Tudnivalók a hibakezelés offline lehetőségeiről
Steps/recommendations:
- Az online additÃv lépéssorhoz képest (vö. négyzetösszeg) bármilyen hibadefinÃció lehetséges: A négyzetes hiba minimalizálása során a nagyobb hibák csökkentése fontosabbnak tűnik, noha senki nem tudhatja, nem éppen ezen esetek magyarázatai hiányoznak-e a független változók közül.
- Az abszolút hibák csökkentésekor (vö. online hasonlóságelemzés) minden hibaegység egyformán fontos a hibaminimalizáláskor.
- Az elÅ‘jeles hibák összegének csökkentése nagy szóródást eredményezhet a tényértékek körül, de a nulla összhiba rel. egyszerűen kikényszerÃthetÅ‘.
- A hiba lehet a becslés- és a tényvektor tetszÅ‘leges mutatószáma is: A korreláció, mint jóság kategória maximalizálandó, Ãgy ennek inverze (1-KORREL) minimalizálható.
- Hasonlóképpen kezelhetÅ‘ a rangsor-korreláció és a kontingencia fogalma is. A kontingencia koefficiens, vagyis adott küszöbértékek szerinti becslési és tény-adatcsoportok homogenitása különösen az elÅ‘rejelzéseknél (pl. a változások várható iránya) ill. klasszifikációk esetén hasznos. Addig nem is érdemes a numerikus pontossággal veszÅ‘dni, mÃg az iránytartás helyessége nem kellÅ‘en magas.
- Több hibatÃpus eredÅ‘jeként is kialakÃtható egy komplex hiba-fogalom, ha az egyes hibaformák közötti ekvivalenciák szakmai szinten kezelhetÅ‘k.
- Hasonlóságelemzési problémaként vetÅ‘dik fel, ha egyes modellek (objektumok) eltérÅ‘ tanulási hibadefinÃcióit (Xi) és a tesztelés hibát (Y) állÃtjuk egymással szembe. Ebben az esetben fény derülhet arra, milyen hibadefinÃciók milyen mértékben felelÅ‘sek adott éles alkalmazások valós helyességéért...
- A becslés és a tény azonosságának elvárása alapkövetelmény minden modellezési feladatban. A hasonlóságelemzés esetén két álláspont ismerhető fel a modellhiba kinullázására. Az egyik esetben az antagonista objektumok felfedezése után a közvetlenül érdekütközést nem mutató objektum hibája szétosztható a nem nullás lépcsőfokok között. A másik esetben a mélyebb rétegű objektum-ütközések feltárásával a valóban ár-értékarányos megoldás saját hibája nulla marad. (vö. Modellhiba-változatok)
- Azokban az esetekben, amikor az objektumok attribútumai azonosak, s az árak mégis eltérÅ‘ek, a becslés és a tény elsÅ‘dlegesen kiegyenlÃtetlen lesz. Ahogy az attribútumok közül elegendÅ‘ egyetlen egy az azonosak közül az OAM-ba (vö. futás-gyorsÃtás), úgy az objektumok közül is (vö. aukció) elegendÅ‘ az azonos attribútum-készlettel rendelkezÅ‘k közül a legolcsóbb: (demo)
- A korreláció/hiba-definÃciók részlegesen függetlenek egymástól (vö. OTKA-jelentés)
- Speciális hiba-kezelési lehetőség a téves, de értelmes inputok alapján történő tanulás: abban az esetben ugyanis, ha egy bináris mintázatot (1;0) tévesen rangsorként értelmeztetünk a tanulási folyamatban, a nulla érték nem tekintődik lépcsőfoknak, vagyis csak az 1-es érték kezelődik le az optimalizálás során. (vö. TDK).
- A hasonlóságelemzés esetén elÅ‘fordulhat, hogy (szinte) minden attribútum zajjá válik, azaz pl. a tények (Y) összege és a sorok, valamint az oszlopok szorzatának hányadosa kerül be minden egyes lépcsÅ‘fok helyére. Ilyen esettel állunk szembe akkor, ha egy Y0-modellben a lépcsÅ‘fokok távolságánál nem zárjuk ki a nulla értéket, vagyis megengedjük a lépcsÅ‘fokok összevonódását. Ha nem Y0-modell keretében áll elÅ‘ hasonló helyzet, akkor a becslés minden objektumra a tények átlaga lesz. Ezt a speciális helyzetet tekinthetjük a hasonlóságelemzés ún. holtpontjának, ill. egy célirányos keresés kiindulási helyzetének, melyen akkor érdemes változtatni, ha a mindenkori hibadefinÃció mentén javulás érhetÅ‘ el.
