Jackknife vs. LOOCV


Yanıtlar:


11

Çapraz doğrulamada, kalan örnek (ler) üzerinde bir istatistik hesaplarsınız. Çoğu zaman, tutulan numuneler üzerine inşa edilmiş bir model tarafından kalan örnekleri tahmin edersiniz. Jackknifing'de yalnızca tutulan örneklerden bir istatistik hesaplarsınız.


4
Bu sorunun asıl sorudaki LOOCV ile nasıl konuştuğunu anlamıyorum. Bir bakıma tek başına kalan bir gözlemde "bir istatistik hesaplayabilir" ?
Alexis

12

Jackknife genellikle ikisi birbirinden ayrılan bir yaklaşıma dayanan, ancak bu karışıklığa yol açan 2 ilişkili ancak farklı sürece işaret eder.

Bir bağlamda, çakı, nüfus parametrelerini ve standart hatalarını tahmin etmek için kullanılabilir. Örneğin, basit bir regresyon modelinin eğimini ve kesişmesini tahmin etmek için jackknife yaklaşımı kullanmak:

  1. Mevcut tüm verileri kullanarak eğimi ve kesmeyi tahmin edin.
  2. 1 gözlem bırakın ve eğimi ve kesişmeyi tahmin edin (katsayıların "kısmi tahmini" olarak da bilinir).
  3. "Kısmi tahmin" ile eğimin ve kesişimin "tüm veriler" tahmini arasındaki farkı hesaplayın (katsayıların "yalancı değeri" olarak da bilinir).
  4. Tüm veri kümesi için 2. ve 3. adımları tekrarlayın.
  5. Her katsayı için sözde değerlerin ortalamasını hesaplayın - bunlar eğim ve kesişimin çakı tahminleridir

Pseudo değerleri ve katsayıların çakı tahminleri de standart hataları ve dolayısıyla güven aralıklarını belirlemek için kullanılabilir. Tipik olarak bu yaklaşım katsayılar için daha geniş bir güven aralığı verir, çünkü bu daha iyi, daha muhafazakar bir belirsizlik ölçüsüdür. Ayrıca, bu yaklaşım katsayılar için bir önyargı sapması tahmini elde etmek için de kullanılabilir.

Diğer bağlamda, model performansını değerlendirmek için jackknife kullanılır. Bu durumda jackknife = bir defaya mahsus çapraz doğrulama. Her ikisi de bir gözlemin kalibrasyon veri setinden çıkarılması, modeli yeniden kalibre edilmesi ve dışarıda bırakılan gözlemin öngörülmesini ifade eder. Esasen, her gözlem, öngörücülerin "kısmi tahminleri" kullanılarak tahmin edilmektedir.

İşte çevrimiçi bulduğum jackknife hakkında güzel bir yazı: https://www.utdallas.edu/~herve/abdi-Jackknife2010-pretty.pdf


1
Yanılmıyorsam (ve iyi olabilirim), ilk bağlamınız bir kerelik izinsiz çapraz doğrulamayı açıklar .
Alexis

2
Sadece LOO kullanarak parametreleri tahmin etme fikirlerini (LOOCV'de olduğu gibi) dışarıda bırakılan değeri tahmin etmeye ayırıyordum. Onları birbiriyle ilişkili ancak biraz farklı süreçler olarak görüyorum, ama belki de her ikisi de LOOCV olarak adlandırılabilir. Ben de yanılmış olabilirim.
jcmb
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.