A
Я пытаюсь объяснить, почему R^2 не должен быть 0 в этом случае
Или я не понимаю, что происходит
>А на новых данных, где истинного значения нет, на что множить будешь?
А потом ты говоришь про логарифмирование, обратное преобразование
Size: a a a
2021 September 14
A
Потому что формула модели с учетом ошибки eps никак не связана с фактическими вычислениями MSE и всего остального
S
Я пытаюсь объяснить почему он таки может быть отрицательный
Вот говорю: если есть мнк, то у нас
y=y^+eps
И D(y)=D(y^)+D(eps)
R2=D(y^)/D(y)=1-D(eps)/D(y)
Вот если по второй формуле считать и если МНК проведен неправильно, то, возможно, получится
D(y)=D(y^)+D(eps)+2cov(y^,eps)
А тогда D(y)-D(eps)=D(y^)+2cov(y^,eps)
И наш R2 получится [D(y^)+2cov(y^,eps)]/D(y)
Вот говорю: если есть мнк, то у нас
y=y^+eps
И D(y)=D(y^)+D(eps)
R2=D(y^)/D(y)=1-D(eps)/D(y)
Вот если по второй формуле считать и если МНК проведен неправильно, то, возможно, получится
D(y)=D(y^)+D(eps)+2cov(y^,eps)
А тогда D(y)-D(eps)=D(y^)+2cov(y^,eps)
И наш R2 получится [D(y^)+2cov(y^,eps)]/D(y)
S
А когда мы логарифмируем таргет, мы получаем другую гиперплоскость, которая не та самая, что даст МНК
A
Упс, я тоже сумел получить отрицательный R^2
S
Тут некоторые пункты требуют доказательства, вообще говоря
A
Но только для сильной линейной связи y и x, тогда логарифмирование действительно все ломает
S
Ну вероятно достаточно D(y^)<-2cov(...,...)
И ковариации должны быть отрицательны
И ковариации должны быть отрицательны
S
Короче вердикт
S
R2 нужно проверять сам линрег в том пространстве, в котором он считался, а при переводе в другие пространства юзать другие метрики
S
А вы говорите математика не нужна
Н
Огромное спасибо)
A
только сейчас задумался- кажется у меня фундаментальное непонимание темы - в задаче регрессии мы модели должны дать значения ровно того же количества фичей, чтобы получить результат или же можно подать меньшее коичество фичей? то есть модель мы например обучали на 10 колонках, а подаем ей всего 5 и хотим получить оценку.
AS
оооо, кажется у меня похожий вопрос
AS
Есть Задача регресии с несколькими выходами. По пяти значениям (x, y, z, x_vel, y_vel) предсказывать 4 другие (alpha, beta, z_vel, delay)
Подскажите какой ml алгоритм/подход здесь уместен?
Подскажите какой ml алгоритм/подход здесь уместен?
A
(y1, y2, y3) = f(x1, x2, x3, x4, x5), обычно и часто f это отдельные f1, f2, f3, на стартовом уровне. если нейросетки или randomforest какой, то там можно вектор
RN
Ну при обучении можно применять импутинг (замену пропущенных значений), никто не мешает подобные техники применять и при получении предсказаний, вопрос в качестве
A
для imputing missing values я знаю много техник- там среднее, медиана, соседнее значение. можно даже отдельно модель обучить, чтобы она заполняла их
A
непонятно(