Hemen hemen her tahmin modeli için alabileceğiniz bir yaklaşım, önce modelinizi eğitmek ve doğruluğunu bulmaktır, daha sonra bir giriş için ona biraz gürültü ekleyin ve doğruluğu tekrar kontrol edin. Bunu her giriş için tekrarlayın ve gürültünün tahminleri nasıl kötüleştirdiğini gözlemleyin. Bir giriş önemliyse, gürültüden kaynaklanan ekstra belirsizlik zararlı olacaktır.
Gürültünün varyansını, söz konusu girişin varyansı ile orantılı olacak şekilde ayarlamayı unutmayın.
Tabii ki gürültü rastgele ve rastgele etkiler nedeniyle bir girdinin önemsiz görünmesini istemiyorsunuz. Çok az egzersiz örneğiniz varsa, her seferinde yeni bir gürültü ekleyerek her egzersiz örneği için doğruluktaki değişikliği tekrar tekrar hesaplamayı düşünün.
Yorumlara yanıt olarak:
Bu analiz, bir değişkeni tamamen kaldırarak da yapılabilir, ancak gürültü eklemeye kıyasla bunun bazı dezavantajları vardır.
Girdilerinizden birinin sabit olduğunu varsayalım, önyargı terimi gibi davranır, bu nedenle tahminde bir rol oynayabilir, ancak bilgi eklemez. Bu girişi tamamen kaldırırsanız, algılamalar yanlış önyargılar aldığından tahmin daha az doğru olur. Bu, girdiyi bilgi eklemese bile tahmin için önemli gibi gösterir. Gürültü eklemek bu soruna neden olmaz. Tüm girdileri sıfır ortalamaya standartlaştırdıysanız, bu ilk nokta sorun değildir.
İki giriş ilişkilendirilirse, bir giriş hakkındaki bilgi diğeri hakkında bilgi verir. İlişkili girdilerden yalnızca birini kullandıysanız bir model iyi eğitilebilir, böylece analizin bir girdinin yararlı olmadığını bulmasını istersiniz. Girdilerden birini yeni çıkardıysanız, yapılan ilk nokta gibi, tahmin doğruluğu çok azalır ve bu da önemli olduğunu gösterir. Ancak, gürültü eklemek bu soruna neden olmaz.