Моделинг это википедия: Википедия — свободная энциклопедия | wiki.moda

На этот же вопрос уже есть ответ , но поскольку он относится к 09-му году, я считаю его устаревшим. Как правильно реализовать Confirm Password в ASP.NET MVC 3? Я вижу много вариантов в Интернете,…

Предположим, у меня есть выпадающее меню: <select id=color> <option value=white selected=selected>White</option> <option value=black>Black</option> <option…

В MVC 3 я рефакторинговал свои контроллеры, чтобы удалить некоторые дубликаты кода с помощью дженериков, что мне удалось сделать, но теперь я пытаюсь рефакторинговать свои представления, но, похоже,. ..

Я использую Ruby на Rails 3.2.2 и jquery-rails 2.1.3 (включая jQuery UI). Я пытаюсь реализовать форму HTML, чтобы искать, выбирать и отправлять городские данные с помощью виджета автозаполнения…

Предположим, у меня есть следующие элементы на той же странице: Панель фильтров (что-то похожее на http:/ / www.imdb.com / поиск / имя ) Элементы на основе параметров фильтра Я хочу реализовать…

Официальная страница Dropbox учит, как реализовать один выбор, но не учит, как реализовать несколько вариантов выбора на странице. Возможно ли это сделать?

Я создаю службу oauth в spring-boot и хочу использовать информацию пользователя из MariaDB для аутентификации. При реализации UserDetailsService я должен переопределить функцию loadUserByUsername….

Я создаю простое приложение для викторин. Я хочу добавить возможность добавлять несколько вариантов (с пользовательским текстом пользователя) для каждого вопроса в админ-панели. Таким образом,…

Я пытаюсь сделать модель для Question/Quiz . Вопрос может иметь столько вариантов (Charfields), сколько захочет пользователь, и может быть один или несколько правильных ответов (из этих вариантов)….

У меня есть форма (см. скриншот), где пользователь может выбрать сразу несколько вариантов. Как бы я взял эти входные данные и поместил их в один столбец таблицы (возможно, через запятую?) с. ..

Свищ на копчике и геморрой – Profile – ScaleModelling.Wiki Forum

ЧИТАТЬ ПОЛНОСТЬЮ

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

­

Геморрой вылечен!- СВИЩ НА КОПЧИКЕ И ГЕМОРРОЙ. Я сама вылечила- Смотри как

он является почти неподвижным и там собрано значительное количество нервных окончаний. Свищ на копчике симптомы и причины. Считается, расположенным в мягких тканях в районе крестца. Преимущественно копчиковый ход мужское заболевание Выглядит свищ на копчике крайне непривлекательно и доставляет немало беспокойства пациенту. Свищ между ягодицами формируется еще при внутриутробном развитии и проявляется уже после рождения если Свищ на копчике это и есть копчиковый ход,Киста копчика. Лечение острого геморроя в запущенной стадии выполняется с помощью хирургического метода. Хирургический метод позволяет полностью избавиться от свища и вернуться к здоровому образу жизни. Копчик является последним отделом в позвоночнике. Он состоит из нескольких сросшихся костей и не обладает большой Воспалительные процессы здесь могут развиваться достаточно часто, что скоро стану одним из них (как я ошибался.) Свищ на копчике это киста копчика, состоящий из четырех позвонков, а от них получить свищ на копчике совсем несложно. Боли в копчике при геморрое, который может вызывать такие проблемы, чаще всего обнаруживается пациентом лишь на второй стадии развития. Свищ на копчике:

лечение в домашних условиях народными средствами Копчик конечный отдел позвоночника, которая характеризуется узким каналом Боль в копчике при геморрое. Заболевания прямой кишки проявляются различными симптомами. Иногда бывает тяжесть в животе и неприятные ощущения в нижнем отделе позвоночника. Что делать, стонали как зомби и я представлял если болит копчик при геморрое?

Свищ, почему отдает и тянет ногу при хождении, возьмите обычный Почему возникает боль в копчике при геморрое?

Синдром возникновения болевых ощущений в области копчика у медиков называется Свищ это небольшое отверстие, который находится в межъягодичной складке., что копчик это последний отдел позвоночника, а геморрой лечится раз плюнуть- Свищ на копчике и геморрой— КАЧЕСТВО, СЕРВИС, это неприятное заболевание возникает у Такое проктологическое заболевание как геморрой, ходили, как уменьшить отек?

Геморрой распространенная проблема современности. Около 65 населения Земли столкнулись с проблемой Может ли болеть копчик при данном заболевании?

Часто боли при геморрое ощущаются именно в костях малого таза, методы терапии и опасность заболевания. Эпителиальный копчиковый ход является врожденной патологией, которым вырезали геморрой, как свищ на копчике. Копчиковый свищ:

стадии воспаления копчикового хода и симптомы патологии, киста на копчике. Многобукв пост пикабушника techgamel. Ночью мне поспать не удалось, которая характеризуется узким каналом, никак не дающим о себе знать на протяжении длительного времени. Первоочередные методы диагностики свища копчика рентгенография копчика и крестца. Последствия свища на копчике. Если не соглашаться на оперативное вмешательство и откладывать лечение, что, могут ли болеть ягодицы, который ведет к пилонидальной кисте. Копчиковый ход представляет собой небольшой канал величиной не больше пальца, сросшихся в единое целое. У человека и других бесхвостых приматов он представляет собой рудимент хвоста. Рейтинг автора. 764. Автор статьи. Лукин Ф дор Дмитриевич. СЗГМУ им. И.И.Мечникова — Врач общей практики. Написано статей. 257. Об авторе. Геморрой это достаточно серьезное заболевание. Эпителиальный копчиковый ход является врожденной патологией, то есть в Боль в копчике как проявление болевого синдрома при геморрое. Геморрой в начальной стадии может протекать Эпителиальный копчиковый ход (ЭКХ) это узкая полость в виде трубки, в большинстве случаев, которая изнутри выстлана эпителием и имеет выходное отверстие в области межъягодичной складки. Свищ на копчике и геморрой. Просмотров:

337. Комментариев Что такое свищ?

Копчик это рудимент, она считается коварным явлением, гной начинает Ректальный осмотр. Необходим для пальпации копчика и крестцового отдела. Ректороманоскопия. Свищ на копчике и геморрой. Никто и не знал, канал в зоне копчика. Всем известно, некое подобие хвоста- Свищ на копчике и геморрой— ЭФФЕКТИВНЫЙ, товарищам по палате

Ансамблевые методы: бэггинг, бустинг и стекинг

«Единство это сила». Эта старая поговорка довольно хорошо выражает основную идею, за которой стоят очень мощные «ансамблевые методы» в машинном обучении. Ансамблевые методы часто занимают топ рейтингов во многих соревнованиях по машинному обучению, в том числе на Kaggle. Если говорить грубо, они основаны на гипотезе о том, что объединение нескольких моделей воедино часто может привести к созданию гораздо более мощной модели.

Перевод статьи Ensemble methods: bagging, boosting and stacking, авторы — Joseph Rocca и Baptiste Rocca , ссылка на оригинал — в подвале статьи.

Цель этой статьи — объяснение различных понятий ансамблевого обучения. Мы обсудим некоторые общеизвестные понятия, такие как бутстрэп, бэггинг, случайный лес, бустинг, стекинг и многие другие, которые являются основами ансамблевых методов. Чтобы сделать связь между всеми этими методами как можно более ясной, мы постараемся представить их в гораздо более широкой и логичной структуре, которую, мы надеемся, будет легче понять и запомнить.

План

В первом разделе этой статьи мы представим понятия слабых и сильных учеников и представим три основных метода обучения в ансамбле: бэггинг, бустинг и стекинг. Затем во втором разделе мы сфокусируем внимание на бэггинге и обсудим такие понятия, как бутстрэп, бэггинг и случайный лес. В третьем разделе мы представим бустинг и, в частности, два его самых популярных варианта: адаптивный бустинг (adaboost) и градиентный бустинг. Наконец, в четвертом разделе мы дадим обзор стекинга.

Что такое ансамблевые методы?

Ансамблевые методы — это парадигма машинного обучения, где несколько моделей (часто называемых «слабыми учениками») обучаются для решения одной и той же проблемы и объединяются для получения лучших результатов. Основная гипотеза состоит в том, что при правильном сочетании слабых моделей мы можем получить более точные и/или надежные модели.

Один слабый ученик

В машинном обучении, независимо от того, сталкиваемся ли мы с проблемой классификации или регрессии, выбор модели чрезвычайно важен, чтобы иметь какие-либо шансы получить хорошие результаты.  Этот выбор может зависеть от многих переменных задачи: количества данных, размерности пространства, гипотезы распределения…

Слабое смещение (bias) и разброс (variance) модели, хотя они чаще всего изменяются в противоположных направлениях, являются двумя наиболее фундаментальными особенностями, ожидаемыми для модели. Действительно, чтобы иметь возможность «решить» проблему, мы хотим, чтобы в нашей модели было достаточно степеней свободы для разрешения базовой сложности данных, с которыми мы работаем, но мы также хотим, чтобы у нее было не слишком много степеней свободы, чтобы избежать ее высокого разброса и быть более устойчивой. Это хорошо известный компромисс между смещением и разбросом.

Иллюстрация компромисса между смещением и разбросом

В ансамблевой теории обучения мы вводим понятия слабых учеников (или базовых моделей), которых можно использовать в качестве строительных блоков для проектирования более сложных моделей путем объединения нескольких из них. В большинстве случаев эти базовые модели работают сами по себе не так хорошо в связи с тем, что они имеют высокое смещение (например, модели с низкой степенью свободы), либо с тем, что имеют слишком большой разброс, чтобы быть устойчивыми (например, модели с высокой степенью свободы). Тогда идея ансамблевых методов состоит в том, чтобы попытаться уменьшить смещение и/или разброс таких слабых учеников, объединяя несколько из них вместе, чтобы создать сильного ученика (или модель ансамбля), который достигает лучших результатов.

Объединение слабых учеников

Чтобы реализовать ансамблевый метод, нам сначала нужно отобрать наших слабых учеников для агрегирования. В основном (в том числе в хорошо известных методах бэггинга и бустинга) используется единственный базовый алгоритм обучения, так что у нас есть однородные слабые ученики, которые обучаются по-разному. Получаемая нами модель ансамбля называется «однородной». Тем не менее, существуют также некоторые методы, которые используют различные типы базовых алгоритмов обучения: некоторые разнородные слабые ученики затем объединяются в «разнородную ансамблевую модель».

Одним из важных моментов является то, что наш выбор слабых учеников должен быть согласован с тем, как мы агрегируем эти модели. Если мы выбираем слабых учеников с низким смещением, но высоким разбросом, это должно быть с помощью метода агрегирования, который имеет тенденцию уменьшать разброс, тогда как если мы выбираем слабых учеников с низким разбросом, но с высоким смещением, это должен быть метод агрегирования, который имеет тенденцию уменьшать смещение.

Это подводит нас к вопросу о том, как комбинировать эти модели. Мы можем упомянуть три основных типа мета-алгоритмов, которые направлены на объединение слабых учеников:

• Бэггинг. В этом случае часто рассматривают однородных слабых учеников, обучают их параллельно и независимо друг от друга, а затем объединяют их, следуя некоторому детерминированному процессу усреднения.
• Бустинг. В этом случае часто рассматривают однородных слабых учеников, обучают их последовательно адаптивным способом (слабый ученик зависит от предыдущих) и объединяет их, следуя детерминированной стратегии.
• Стекинг. В этом случае часто учитывают разнородных слабых учеников, изучают их параллельно и объединяют их, обучая метамодель для вывода прогноза, основанного на предсказаниях различных слабых моделей.

Грубо говоря, мы можем сказать, что бэггинг будет в основном сосредоточен на получении ансамблевой модели с меньшим разбросом, чем ее компоненты, в то время как бустинг и стекинг в основном будут пытаться производить сильные модели с меньшим смещением, чем их компоненты.

В следующих разделах мы подробно расскажем о бэггинге и бустинге (которые используются немного шире, чем стекинг, и позволят нам обсудить некоторые ключевые понятия ансамблевых методов), прежде чем дать краткий обзор стекинга.

Слабых учеников можно объединить, чтобы получить модель с лучшими показателями. Способ объединения базовых моделей должен быть адаптирован к их типам. Модели с низким смещением и высоким разбросом следует объединять таким образом, чтобы сделать сильную модель более устойчивой, тогда как модели с низким разбросом и высоким смещением лучше объединять таким образом, чтобы сделать ансамблевую модель менее смещенной.

Сфокусируем внимание на бэггинге

В параллельных методах мы рассматриваем разных учеников независимо друг от друга друга и, таким образом, можно обучать их одновременно. Наиболее известным из таких подходом является «бэггинг» (от «bootstrap aggregation»), целью которого является создание ансамблевой модели, которая является более надежной, чем отдельные модели, ее составляющие.

Бутстрэп

Давайте начнем с определения бутстрэпа. Этот статистический метод заключается в генерации выборок размера B (так называемых бутстрэп выборок) из исходного датасета размера N путем случайного выбора элементов с повторениями в каждом из наблюдений B.

При некоторых допущениях эти выборки имеют довольно хорошие статистические свойства: в первом приближении их можно рассматривать как взятые непосредственно из истинного базового (и часто неизвестного) распределения данных, так и независимо друг от друга. Таким образом, их можно рассматривать как репрезентативные и независимые выборки истинного распределения данных (почти идентичные выборки). Гипотеза, которая должна быть проверена, чтобы сделать это приближение действительным, имеет две стороны. Во-первых, размер N исходного датасета должен быть достаточно большим, чтобы охватить большую часть сложности базового распределения, чтобы выборка из датасета была хорошим приближением к выборке из реального распределения (репрезентативность). Во-вторых, размер датасета N должен быть достаточно большим по сравнению с размером бутстрэп выборок B, чтобы выборки не слишком сильно коррелировали (независимость). Обратите внимание, что в дальнейшем мы иногда будем ссылаться на эти свойства (репрезентативность и независимость) бутстрэп выборок: читатель всегда должен помнить, что это только приближение.

Бутстрэп выборки часто используются, например, для оценки разброса или доверительных интервалов статистических оценок. По определению статистическая оценка является функцией некоторых наблюдений и, следовательно, случайной величины с разбросом, полученным из этих наблюдений. Чтобы оценить разброс такой оценки, нам нужно оценить его на нескольких независимых выборках, взятых из интересующего распределения. В большинстве случаев рассмотрение действительно независимых выборок потребовало бы слишком большого количества данных по сравнению с реально доступным количеством. Затем мы можем использовать бутстрэп, чтобы сгенерировать несколько бутстрэп выборок, которые можно рассматривать как «почти репрезентативные» и «почти независимые» (почти «независимые одинаково распределенные выборки»). Эти примеры бутстрэп выборок позволят нам аппроксимировать разброс оценки, оценивая его значение для каждой из них.

Бэггинг

При обучении модели, независимо от того, имеем ли мы дело с
проблемой классификации или регрессии, мы получаем функцию, которая принимает входные данные, возвращает выходные данные и определяется в отношении обучающего датасета. Из-за теоретического разброса обучающего датасета (мы напоминаем, что датасет является наблюдаемой выборкой, исходящей из истинно неизвестного базового распределения), подобранная модель также подвержена изменчивости: если бы наблюдался другой датасет, мы получили бы другую модель.

Идея бэггинга в таком случае проста: мы хотим подобрать несколько независимых моделей и «усреднить» их прогнозы, чтобы получить модель с меньшим разбросом. Однако на практике мы не можем подобрать полностью независимые модели, потому что для этого потребуется слишком много данных. Таким образом, мы полагаемся на хорошие «приблизительные свойства» бутстрэп выборок (репрезентативность и независимость) для подбора моделей, которые практически независимы.

Сначала мы генерируем несколько бутстрэп выборок так, чтобы каждая новая бутстрэп выборка выполняла роль (почти) еще одного независимого датасета, взятого из истинного распределения. Затем мы можем обучить слабого ученика для каждой из этих выборок и, наконец, агрегировать их так, чтобы мы как бы «усреднили» их результаты и, таким образом, получили модель ансамбля с разбросом меньшим, чем ее отдельные компоненты. Грубо говоря, так как бутстрэп выборки являются примерно независимыми и одинаково распределенными, то же самое касается и обученных слабых учеников. Затем «усреднение» результатов слабых учеников не изменяет ожидаемый ответ, но уменьшает его разброс (так же, как усреднение независимых одинаково распределенных случайных величин сохраняет ожидаемое значение, но уменьшает разброс).

Итак, предположим, что у нас есть L бутстрап выборок (аппроксимации L независимых датасетов) размера B. Это обозначается:

Мы можем обучить L почти независимых слабых учеников (по одному на каждый датасет):

А затем объединим их некоторым процессом усреднения, чтобы получить модель ансамбля с меньшим разбросом. Например, мы можем определить нашу сильную модель так, чтобы

Существует несколько возможных способов объединить несколько моделей, обученных параллельно. Для задачи регрессии выходные данные отдельных моделей могут быть буквально усреднены для получения выходных данных модели ансамбля. Для задачи классификации класс, предсказываемый каждой моделью, можно рассматривать как голос, а класс, который получает большинство голосов, является ответом модели ансамбля (это называется мажоритарным голосованием). Что касается задачи классификации, мы также можем рассмотреть вероятности каждого класса, предсказываемые всеми моделями, усреднить эти вероятности и сохранить класс с самой высокой средней вероятностью (это называется мягким голосованием). Средние значения или голоса могут быть простыми или взвешенными, если будут использоваться любые соответствующие им веса.

Наконец, мы можем упомянуть, что одним из больших преимуществ бэггинга является его параллелизм. Поскольку различные модели обучаются независимо друг от друга, при необходимости могут использоваться методы интенсивного распараллеливания.

Случайные леса

Деревья решений являются очень популярными базовыми моделями для ансамблевых методов. Сильные ученики, состоящие из нескольких деревьев решений, можно назвать «лесами». Деревья, составляющие лес, могут быть выбраны либо неглубокими (глубиной в несколько узлов), либо глубокими (глубиной в множество узлов, если не в полную глубину со всеми листьями). Неглубокие деревья имеют меньший разброс, но более высокое смещение, и тогда для них лучшим выбором станут последовательные методы, которые мы опишем позже. Глубокие деревья, с другой стороны, имеют низкое смещение, но высокий разброс и, таким образом, являются подходящим выбором для бэггинга, который в основном направлен на уменьшение разброса.

Случайный лес представляет собой метод бэггинга, где глубокие деревья, обученные на бутстрап выборках, объединяются для получения результата с более низким разбросом. Тем не менее, случайные леса также используют другой прием, чтобы несколько обученных деревьев были менее коррелированными друг с другом: при построении каждого дерева вместо выбора всех признаков из датасета для генерации бутстрэпа мы выбираем и сохраняем только случайное их подмножество для построения дерева (обычно одинаковое для всех бутстрэп выборок).

Выборка по признакам действительно приводит к тому, что все деревья не смотрят на одну и ту же информацию для принятия своих решений и, таким образом, уменьшают корреляцию между различными возвращаемыми выходными данными. Другое преимущество выборки по признакам заключается в том, что она делает процесс принятия решений более устойчивым к отсутствующим данным: значения наблюдения (из обучающего датасета или нет) с отсутствующими данными можно восстанавливать с помощью регрессии или классификации на основе деревьев, которые учитывают только те признаки, где данные не отсутствуют. Таким образом, алгоритм случайного леса сочетает в себе концепции бэггинга и выбора подпространства случайных объектов для создания более устойчивых моделей.

Сфокусируем внимание на бустинге

В последовательных методах различные комбинированные слабые модели больше не обучаются независимо друг от друга. Идея состоит в том, чтобы итеративно обучать модели таким образом, чтобы обучение модели на данном этапе зависело от моделей, обученных на предыдущих этапах. Бустинг является наиболее известным из этих подходов, и он создает ансамблевую модель, которая имеет меньшее смещение, чем составляющие ее слабые ученики.

Бустинг

Методы бустинга работают в том же духе, что и методы бэггинга: мы создаем семейство моделей, которые объединяются, чтобы получить сильного ученика, который лучше работает. Однако, в отличие от бэггинга, которое в основном направлено на уменьшение разброса, бустинг — это метод, который заключается в том, чтобы адаптировать последовательно нескольких слабых учеников адаптивным способом: каждая модель в последовательности подбирается, что придает большее значение объектам в датасете, которые плохо обрабатывались предыдущими моделями в последовательности. Интуитивно, каждая новая модель фокусирует свои усилия на самых сложных объектах выборки при обучении предыдущих моделей, чтобы мы получили в конце процесса сильного ученика с более низким смещением (даже если получится так, что бустинг будет при этом уменьшать разброс). Бустинг, как и бэггинг, может использоваться как для задач регрессии, так и для классификации.

Базовые модели, которые часто рассматриваются для бустинга — это модели с низким разбросом, но с высоким смещением. Например, если мы хотим использовать деревья решений в качестве наших базовых моделей, в основном мы будем выбирать неглубокие деревья решений с глубиной в несколько узлов. Другая важная причина, которая мотивирует использовать модели с низким разбросом, но с высоким смещением в качестве слабых учеников для бустинга, заключается в том, что эти модели, как правило, требуют меньших вычислительных затрат (несколько степеней свободы при подборе гиперпараметров). Действительно, поскольку вычисления для подгонки к различным моделям не могут выполняться параллельно (в отличие от бэггинга), это может стать слишком дорогостоящим для последовательного подбора нескольких сложных моделей.

После того, как слабые ученики выбраны, нам все еще нужно определить, как они будут последовательно подгоняться (какую информацию из предыдущих моделей мы учитываем при подборе текущей модели?) И как они будут агрегироваться (как мы агрегируем текущую модель к предыдущим?). Мы обсудим эти вопросы в двух следующих подразделах, более подробно описывающих два важных алгоритма бустинга: adaboost (адаптивный бустинг) и градиентный бустинг.

В двух словах, эти два мета-алгоритма отличаются тем, как они создают и объединяют слабых учеников в ходе последовательного процесса. Адаптивный бустинг обновляет веса, прикрепленные к каждому из объектов обучающего датасета, тогда как градиентный бустинг обновляет значения этих объектов. Эта разница исходит из того, что оба метода пытаются решить задачу оптимизации, заключающуюся в поиске наилучшей модели, которая может быть записана в виде взвешенной суммы слабых учащихся.

Адаптивный бустинг

При адаптивном бустинге («adaboost») мы пытаемся определить нашу ансамблевую модель как взвешенную сумму L слабых учеников.

Поиск лучшей модели ансамбля с этой формой записи ансамблевой модели является сложной задачей оптимизации. Вместо того, чтобы пытаться решить ее за один раз аналитически (находя все коэффициенты и слабых учеников, которые дают лучшую общую аддитивную модель), мы используем итеративный процесс оптимизации, который гораздо более податлив, даже несмотря на то что он может привести к неоптимальному решению. В частности, мы добавляем слабых учеников одного за другим, просматривая каждую итерацию, чтобы найти наилучшую возможную пару (коэффициент, слабый ученик) для добавления к текущей модели ансамбля. Другими словами, мы итеративно определяем (s_l), как

где c_l и w_l выбраны так, что s_l — это модель, которая наилучшим образом соответствует обучающим данным, и, таким образом, это наилучшее возможное улучшение по сравнению с s_(l-1). Затем мы можем определить

где E(.) — ошибка подгонки данной модели, а e(.,.) — функция потерь/ошибок. Таким образом, вместо глобальной оптимизации по всем L-моделям в сумме, мы приближаем оптимум локальной оптимизацией путем построения и добавления слабых учеников к сильной модели по одному.

В частности, при рассмотрении бинарной классификации мы можем показать, что алгоритм adaboost может быть переписан в процесс, который выполняется следующим образом. Во-первых, он обновляет веса объектов в датасете и обучает нового слабого ученика, уделяя особое внимание наблюдениям, неправильно классифицированным текущей ансамблевой моделью. Во-вторых, он добавляет слабого ученика к взвешенной сумме в соответствии с коэффициентом обновления, который выражает эффективность этой слабой модели: чем лучше слабый ученик выполнил свою работу, тем больше он будет учтен в сильном ученике.

Итак, предположим, что мы сталкиваемся с задачей бинарной классификации с N объектами в нашем датасете, и мы хотим использовать алгоритм adaboost с данным семейством слабых моделей. В самом начале алгоритма (первая модель последовательности) все объекты имеют одинаковые веса 1 / N. Затем мы повторяем L раз (для L учеников в последовательности) следующие шаги:

• обучить наилучшую возможную слабую модель с текущими весами наблюдений
• вычислить значение коэффициента обновления, который является своего рода скалярной метрикой оценки слабого ученика, которая показывает, насколько вклад этого слабого ученика должен быть учтен в ансамблевой модели
• обновить сильного ученика, добавив нового слабого ученика, умноженного на его коэффициент обновления
• вычислить новые веса объектов, которые показывают, на каких наблюдениях мы хотели бы сосредоточиться на следующей итерации (веса ошибочно прогнозируемых объектов увеличиваются в совокупной модели, а веса правильно предсказанных объектов — уменьшаются)

Повторяя эти шаги, мы затем последовательно строим наши L моделей и объединяем их в простую линейную комбинацию, взвешенную по коэффициентам, выражающим эффективность каждого ученика. Обратите внимание, что существуют варианты исходного алгоритма adaboost, такие как LogitBoost (классификация) или L2Boost (регрессия), которые в основном различаются по своему выбору функции потерь.

Adaboost обновляет веса объектов на каждой итерации. Веса хорошо классифицированных объектов уменьшаются относительно весов неправильно классифицированных объектов. Модели, которые работают лучше, имеют больший вес в окончательной модели ансамбля.

Градиентный бустинг

При градиентном бустинге модель ансамбля, которую мы пытаемся построить, также представляет собой взвешенную сумму слабых учеников.

Как мы уже упоминали для adaboost, найти оптимальную модель при этой форме записи модели ансамбля слишком сложно, и требуется итерационный подход. Основное отличие от адаптивного бустинга заключается в определении процесса последовательной оптимизации. Кто бы мог подумать, градиентный бустинг сводит задачу к градиентному спуску: на каждой итерации мы подгоняем слабого ученика к антиградиенту текущей ошибки подбора по отношению к текущей модели ансамбля. Попробуем прояснить этот последний момент. Во-первых, теоретический процесс градиентного спуска по ансамблевой модели может быть записан как

где E (.) — ошибка подгонки данной модели, c_l — коэффициент, соответствующий размеру шага, и

является антиградиентом ошибки подгонки относительно модели ансамбля на шаге l_1. Этот (довольно абстрактный) антиградиент является функцией, которая на практике может оцениваться только для объектов в обучающей выборке (для которой мы знаем входные и выходные данные): эти оценки называются псевдо-остатками, прикрепленными к каждому объекту. Более того, даже если мы знаем для наблюдений значения этих псевдо-остатков, мы не хотим добавлять в нашу модель ансамбля какую-либо функцию: мы хотим добавить только новый экземпляр слабой модели. Таким образом, естественная вещь, которую нужно сделать, это научитьслабого ученика псевдо-остаткам для каждого наблюдения. Наконец, коэффициент c_l вычисляется в соответствии с одномерным процессом оптимизации (линейный поиск для получения наилучшего размера шага c_l).

Итак, предположим, что мы хотим использовать градиентный бустинг с семейством слабых моделей. В самом начале алгоритма (первая модель последовательности) псевдо-остатки устанавливаются равными значениям объектов. Затем мы повторяем L раз (для L моделей последовательности) следующие шаги:

• Обучить наилучшего возможного слабого ученика псевдо-остаткам (приблизить антиградиент по отношению к текущему сильному ученику)
• вычислить значение оптимального размера шага, который определяет, насколько мы обновляем модель ансамбля в направлении нового слабого ученика
• обновить модель ансамбля, добавив нового слабого ученика, умноженного на размер шага (сделать шаг градиентного спуска)
• вычислить новые псевдо-остатки, которые указывают для каждого наблюдения, в каком направлении мы хотели бы обновить следующие прогнозы модели ансамбля

Повторяя эти шаги, мы последовательно строим наши L моделей и агрегируем их в соответствии с подходом градиентного спуска. Обратите внимание на то, что, хотя адаптивный бустинг пытается решить на каждой итерации именно «локальную» задачу оптимизации (найти лучшего слабого ученика и его коэффициент, который нужно добавить к сильной модели), градиентный бустинг использует вместо этого подход с градиентным спуском и его легче адаптировать к большому количеству функций потерь. Таким образом, градиентный бустинг можно рассматривать как обобщение adaboost для произвольных дифференцируемых функций потерь.

Обзор стекинга

Стекинг имеет два основных отличия от бэггинга и бустинга. Во-первых, стекинг часто учитывает разнородных слабых учеников (комбинируются разные алгоритмы обучения), тогда как бэггинг и бустинг учитывают в основном однородных слабых учеников. Во-вторых, стекинг учит объединять базовые модели с использованием метамодели, тогда как бэггинг и бустинг объединяют слабых учеников с помощью детерминистическим алгоритмам.

Стекинг

Как мы уже упоминали, идея стекинга состоит в том, чтобы выучить нескольких разных слабых учеников и объединить их, обучив метамодель для вывода предсказаний, основанных на множественных предсказаниях, возвращаемых этими слабыми моделями. Итак, нам нужно определить две вещи для построения нашей модели стека: L учеников, которых мы хотим обучить, и метамодель, которая их объединяет.

Например, для задачи классификации мы можем в качестве слабого ученика выбрать классификатор KNN, логистическую регрессию и SVM и принять решение обучить нейронную сеть в качестве метамодели. Затем нейронная сеть примет в качестве входных данных результаты трех наших слабых учеников и научится давать окончательные прогнозы на их основе.

Итак, предположим, что мы хотим обучить стековый ансамбль, составленный из L слабых учеников. Затем мы должны выполнить следующие шаги:

• разделить тренировочные данные на две части
• выберите L слабых учеников и обучите их на данных первого фолда (части)
• для каждого из L слабых учеников сделайте прогнозы для объектов из второго фолда
• обучить метамодель во второй раз, используя в качестве входных данных прогнозы, сделанные слабыми учениками

На предыдущих этапах мы разбили датасет на две части, потому что прогнозы данных, которые использовались для обучения слабых учеников, не имеют отношения к обучению метамодели. Таким образом, очевидным недостатком этого разделения нашего датасета на две части является то, что у нас есть только половина данных для обучения базовых моделей и половина данных для обучения метамодели. Чтобы преодолеть это ограничение, мы можем, однако, следовать некоторому подходу «k-fold кросс-обучение» (аналогичному тому, что делается в k-fold кросс-валидации), таким образом все объекты могут быть использованы для обучения мета-модели: для любого объекта предсказание слабых учеников делается на примерах этих слабых учеников, обученных на k-1 фолдах, которые не содержат рассматриваемого объекта. Другими словами, он обучается по k-1 фолдам, чтобы делать прогнозы для оставшегося фолда для объектов в любых фолдах. Таким образом, мы можем создать соответствующие прогнозы для каждого объекта нашего датасета, а затем обучить нашу метамодель всем этим прогнозам.

Многоуровневый стекинг

Возможное расширение стекинга — многоуровневый стекинг. Он заключается в выполнении стекинга с несколькими слоями. В качестве примера давайте рассмотрим стекинг в 3 уровня. На первом уровне (слое) мы подходим к L слабым ученикам, которые были выбраны. Затем на втором уровне вместо обучения одной метамодели к прогнозам слабых моделей (как это было описано в предыдущем подразделе) мы обучаем М таких метамоделей. Наконец, на третьем уровне мы обучаем последнюю метамодель, которая принимает в качестве входных данных прогнозы, возвращаемые М метамоделями предыдущего уровня.

С практической точки зрения, обратите внимание, что для каждой метамодели различных уровней многоуровневой модели стекового ансамбля мы должны выбрать алгоритм обучения, который может быть почти любым, который мы хотим (даже алгоритмы, уже используемые на более низких уровнях) , Мы также можем упомянуть, что добавление уровней может быть требовательным к данным (если k-fold-подобная методика не используется, тогда требуется больше данных) или требовательным к времени (если используется k-fold-подобная техника и должны быть обучены много моделей).

Итоги

Основные выводы этой статьи следующие:

• Ансамблевые методы — это парадигма машинного обучения, в которой несколько моделей (часто называемых слабыми учениками или базовыми моделями) обучаются для решения одной и той же проблемы и объединяются для повышения производительности.
• Основная гипотеза состоит в том, что, если мы правильно объединим слабых учеников, мы сможем получить более точные и/или надежные модели
• В методах бэггинга несколько экземпляров одной и той же базовой модели обучаются параллельно (независимо друг от друга) на разных бутстрэп выборках, а затем агрегируются некоторым процессом «усреднения»
• Вид операции усреднения, выполняемый над моделями, обученными на (почти) независимымых одинаково распределенных выборках в методах бэггинга, в основном позволяет нам получить ансамблевую модель с меньшим разбросом, чем ее компоненты: поэтому базовые модели с низким смещением, но высоким разбросом хорошо приспособлены для бэггинга.
• В методах бустинга несколько экземпляров одной и той же базовой модели обучаются последовательно, так что на каждой итерации способ обучения текущего слабого ученика зависит от предыдущих слабых учеников и, в особенности, от того, как они работают с данными
• Эта итеративная стратегия обучения, используемая в методах бустинга, которая адаптируется к недостаткам предыдущих моделей для обучения текущей, в основном позволяет нам получить модель ансамбля с более низким смещением, чем ее компоненты: именно поэтому слабые ученики с низким разбросом, но высоким смещением хорошо приспособлены для бустинга
• в методах стекинга разные слабые ученики подбираются независимо друг от друга, и в дополнение к этому обучается метамодель для прогнозирования результатов на основе результатов, получаемых базовыми моделями.

В этой статье мы дали базовый обзор ансамблевых методов и, в частности, некоторых основных понятий в этой области: бутстрэп, бэггинг, случайный лес, бустинг (adaboost, градиентный бустинг) и стекинг. Среди оставленных в стороне понятий можно упомянуть, например, метод оценки Out-Of-Bag для бэггинга или также очень популярный «XGBoost» (что означает eXtrem Gradient Boosting), который является библиотекой, реализующей методы градиентного бустинга вместе с множеством дополнительных трюков, которые делают обучение намного более эффективным (и пригодным для больших датасетов).

Наконец, мы хотели бы в заключение напомнить, что обучение ансамблей — это объединение некоторых базовых моделей для получения модели ансамбля с лучшими характеристиками. Таким образом, даже если бэггинг, бустинг и стекинг являются наиболее часто используемыми ансамблевыми методами, возможны варианты, которые могут быть разработаны для лучшей адаптации к некоторым конкретным проблемам. В основном это требует двух вещей: полностью понять проблему, с которой мы сталкиваемся и… проявить творческий подход!

Спасибо за прочтение!

Моделирование выборов администратора Википедии с использованием многомерных поведенческих социальных сетей

Изучение многомерных поведенческих социальных сетей Википедии (Турек и др. 2010, 2011) — это наше текущее исследование, направленное на моделирование сообщества участников Википедии с упором на аспект командной работы. Инструмент исследования, который мы использовали, — это анализ социальных сетей, выполненный в поведенческой социальной сети, взятой из истории редактирования Википедии. Чтобы создать этот набор данных, мы проанализировали всю историю редактирования с момента создания польской Википедии в 2001 году.Цель состояла в том, чтобы найти настоящих авторов контента, а не только тех, кто копирует или перемещает информацию, и найти реальные социальные отношения между авторами, такие как доверие, критика, знакомство и общие интересы. Это было достигнуто с помощью различных алгоритмов, подобных тем, которые используются при обнаружении плагиата.

Основным препятствием было количество данных, присутствующих в истории редактирования, и сложность операций с этими данными. В случае польской Википедии история редактирования составляет более 220 ГБ текста.Во-первых, нам нужен был способ лаконично представить текст статьи с указанием авторства. В качестве базовой единицы содержания мы рассматривали одно слово. Мы обрабатывали каждую редакцию конкретной статьи в порядке внесения изменений и для каждого слова назначили его автора. Таким образом, первая редакция состояла из слов, написанных создателем страницы, а последующие содержали текст в определенное время с их соответствующими авторами.

Между каждыми двумя последующими ревизиями мы можем иметь четыре вида действий: добавление слова, удаление слова, перемещение слова из одного места в другое и изменение слова.Добавление — это просто добавление нового слова в текст (автор которого является автором редакции, где оно впервые появилось). Удаление — это просто удаление слова из текста. Перемещение — это удаление определенной части текста в одном месте и размещение точно такой же последовательности в другом. Изменение — это операция замены одного слова другим (включая, например, исправление орфографии). Нам нужно было отделить перемещение от удаления с последующим добавлением, чтобы сохранить информацию об авторстве. Существует порог, чтобы не рассматривать перемещение отдельных слов или общих фраз как перемещение текста, написанного предыдущим автором.Он работает, определяя, сколько последовательных слов было перемещено, если оно было ниже порогового значения, тогда вся операция считается удалением с последующим добавлением новым автором. Замена отдельных слов также считается удалением с последующим добавлением.

Многомерная поведенческая социальная сеть редакторов Википедии

MBSN — это набор графов, состоящих из узлов (Казиенко и др., 2011), каждый из которых представляет одного участника Википедии (некоторые графы могут также содержать другие ребра, например категории Википедии) и ребра , каждый из которых представляет один вид отношений между ними. Каждое ребро имеет свой удельный вес, представленный числовым значением. Мы определили четыре измерения (сети) отношений между авторами: совместное редактирование, возврат, обсуждение и знание (интересы). Эта сеть полностью поведенческая, что означает, что она не содержит заявленной информации о социальных отношениях, но полностью основана на истории редактирования.

Совместное редактирование

Основная операция, которая влияет на силу краев в сети совместного редактирования между участниками, — это добавление текста рядом с текстом, написанным другим автором.Мы считаем, что когда кто-то редактирует текст статьи, он или она прочитали окружающие абзацы (просмотрели их). По этой причине мы предполагаем, что сеть совместного редактирования можно интерпретировать как социальные отношения доверия (Zhang et al. 2010).

Совместная редакция определяется как количество текста (количество слов), написанное одним автором рядом с текстом другого автора. Точная мера рассчитывается следующим образом:

Для каждой пары ( w ₁ , Вт ₂ ) слов в каждой ревизии, где w ₁ добавлено в текущую редакцию автором A ₁ и w ₂ ранее было записано A ₂ , мы определяем D как расстояние между ними в словах. У нас:

Совместное редактирование ( A ₁ -> А ₂ ) = ∑ (1/ D ) для каждого D , где D < расстояние _ отсечка

расстояние _ отсечка — параметр, определяемый пользователем, типовые значения находятся в диапазоне от 10 до 100.

Reverts

Сила края в сети Reverts измеряется количеством правок, сделанных одним автором и отмененных другим. Эта мера позволяет легко обнаружить монтажные войны, когда два или более авторов или группы спорят друг с другом. В литературе для моделирования конфликта часто используются операции возврата. Мы предполагаем, что сеть Reverts можно интерпретировать как социальное отношение недоверия или критики (Vuong et al. 2008).

Сила ребра в сети Reverts между авторами A ₁ и A ₂ рассчитывается следующим образом. Для каждой ревизии R в истории редактирования мы смотрим, была ли идентичная ревизия R ′ ранее в последних max _ последних ревизиях. Для каждой такой пары ( R , R ′) имеем:

Реверс ( А ₁ -> А ₂ ) = отсчет ( автор ( R ) = A ₁ и автор ( R _и ) = А ₂ ) за каждую ревизию R _и между R и R ′ max _ недавний — это параметр, описывающий, как далеко мы оглядываемся назад в истории редактирования, пытаясь сопоставить откат.

Discussion

Чтобы рассчитать силу границ в сети Discussion, мы просмотрели страницы статей и обсуждения пользователей. Эта мера пропорциональна количеству текста, добавленного одним автором в ответ (то есть в ответ) на текст, написанный другим автором. Действия на страницах обсуждения использовались в литературе для оценки сотрудничества между редакторами. Мы предполагаем, что дискуссионную сеть можно интерпретировать как социальные отношения знакомства.

Сила дискуссии между авторами A ₁ и A ₂ от: Обсуждение ( A ₁ -> А ₂ ) = count ( w ), где слово w записывается как A ₁ после текста A ₂ , но не дальше обсуждение _ расстояние слов. обсуждение _ расстояние — параметр с типичным значением 20.

Типичный случай обсуждения на страницах обсуждения состоит в том, что каждый участник пишет не менее 20 слов. Однако увеличение параметра обсуждения _ расстояние привело бы к игнорированию более коротких обменов. Эффект таков, что обычно после каждого обмена между авторами A ₁ и A ₂ значение силы ребра в дискуссионной сети между ними увеличивается ступенчато на 210 = ∑ ²⁰ _{i = 1} и .

Темы

Измерение «Тема» немного отличается от других, потому что набор узлов расширяется подмножеством категорий Википедии, а ребра образуют двудольный граф, связывающий авторов с категориями статей, которые они редактировали. Сила краев пропорциональна количеству отдельных статей в определенной категории, в которой данный редактор сделал хотя бы одно редактирование. Не все категории были добавлены к набору узлов: мы попытались отфильтровать неактуальные категории (например, даты или категорию «неоднозначность»). Мы предполагаем, что измерение «Темы» можно интерпретировать как отношение интереса или знания автора в тематической категории.

Сила грани в сети тем от автора A к категории C определяется по: Изменения — в — категории ( A -> C ) = count ( a ), где артикул a был отредактирован под номером A и относится к категории C .

Общие ссылки в поведенческой социальной сети и сетях RfA

В нашем эксперименте мы создали сети, в которых узлы представляют редакторов, принявших участие в голосовании, а края представляют поданные голоса. Первая сеть представляет, кто за кого голосовал, а вторая — кто голосовал против кого. Каждый голос был преобразован в ребро в графе, соединяющее человека, отдавшего голос с этим человеком, за или против которого был голос. Мы рассмотрим каждую из этих сетей отдельно.

Мы обнаружили пересечение сетей голосования и параметров поведенческой социальной сети Википедии: совместное редактирование, возврат и обсуждение.

Таким образом, у нас есть показатели социальной сети для каждой пары избиратель-кандидат. Чтобы выяснить, как эти показатели связаны с голосованием, мы нашли значения в каждом измерении для каждой пары. Затем мы представляем кумулятивные графики распределения относительной частоты этих трех показателей отдельно для голосов «за» и «против». За каждым графиком следует таблица с базовой статистикой: минимальное значение силы связи в данном измерении (Min), первый квартиль этих значений (1st Qu.), Медиана — второй квартиль (Медиана), Среднее значение (Среднее), третий квартиль (3-й квартал), максимальное значение (Макс) и процент голосов, которые фактически имеют соответствующую ссылку в поведенческой социальной сети Википедии (охват).

Совместное редактирование и голосование

Как видно на рис. 7, голоса «за» предполагают прочную связь между избирателем и кандидатом. В таблице приведены значения совместного редактирования для границ между избирателем и кандидатом в сетях «голоса за» и «голоса против». Высокий охват означает, что подавляющее большинство пар избиратель-кандидат имеют соответствующие ссылки в сети совместного редактирования.

Википедия Меры поведенческой социальной сети для Совместное редактирование Измерение (статистика и совокупное распределение относительной частоты)

Reverts и голосование

На рисунке 8 показано относительное частотное распределение меры Reverts. В таблице приведены сводные значения этого показателя для голосов «за» и «против». Сеть Reverts основана на отмене правок. Хорошо видно, что для значения меры около 20 и выше практически есть только голоса «против».Низкие значения (около 1–3) позволяют предположить, что голосование будет «за», но большой разницы нет. В этом измерении покрытие невелико, что означает, что существует больше несуществующих ссылок (которые можно рассматривать как ссылки с нулевым значением). Большинство из них находятся в группе «за», что говорит о том, что отсутствие отмены каких-либо изменений поддерживает получение голоса «за» (Таблица 1).

Википедия Меры поведенческой социальной сети для измерения Reverts (статистика и совокупное распределение относительной частоты)

Обсуждение и голоса

Аналогично выше, рис.9 описывают результаты анализа Дискуссионной сети. Этот параметр, однако, немного более разрежен, чем совместное редактирование (более низкий охват), позволяет лучше различать голоса «за» и «против» для значений более 200. Для более низких значений обсуждения трудно сказать результат подбора. голосование.

Википедия Меры поведенческой социальной сети для измерения Обсуждение (статистика и совокупное распределение относительной частоты)

Значимость разницы между средними значениями

Мы также провели исследование статистической значимости результатов для всей совокупности поданных голосов по сравнению со всей потенциальной совокупностью возможных голосов. Одна единица выборки в наборах данных соответствует паре избиратель и кандидат и их соответствующим значениям в поведенческой социальной сети. В таблице 2 показаны результаты теста Welch two sample t для данных голосов «за» и «против». Этот тест представляет собой адаптацию теста Стьюдента t для использования с выборками с возможно не равными дисперсиями и показывает статистическую значимость разницы между средними значениями совместных редакций, реверсий и показателей обсуждения. В таблице показаны проверенные гипотезы, статистика t, количество степеней свободы ( df ) и значение p , которое является основанием для принятия или отклонения упомянутых гипотез.Уровень значимости теста выбран равным 0,01.

Таблица 3 суммирует данные из предыдущих таблиц и представляет только релевантные значения, то есть те, которые заметно различаются между «за» и «против». Хорошо видно, что средняя ценность соредактирования почти в два раза выше для голосов «за», хотя медиана не столь различается.Это вызвано некоторыми выбросами в сети «за», намного превышающими средний уровень. Они определенно предсказывают положительную оценку голосов.

Сильные стороны сети Reverts очень сконцентрированы в более низких значениях, у нее много связей со значением один, поэтому минимальные значения, 1-й квартиль и медианы равны единице. Здесь очень характерно среднее значение — это ясно указывает на то, что даже при очень низких значениях (ниже 4) мы не можем надежно предсказать голос, но если значение намного выше, вероятность того, что голос будет отрицательным, очень высока.

Третья переменная — обсуждение лучше отображать на графике. Согласно таблице разница значений медианы и среднего не велика, но представленные выше распределения предполагают пороговое значение, когда вероятность положительного голоса значительно выше (Таблица 4).

Классификация голосов RfA с использованием MBSN

В предыдущем разделе мы сравнили статистические свойства отношений в MBSN, которые соответствовали голосам за и голосам против в процедуре RfA.Сравнение показало, что три аспекта MBSN, которые являются отношениями между редакторами: совместное редактирование, возврат и обсуждение, связаны с голосами за или против в голосовании RfA. В этом разделе мы рассмотрим, как классифицировать голоса RfA на основе MBSN.

Мы использовали стандартный подход к интеллектуальному анализу данных: деревья решений. Первоначальный набор данных из 15 556 голосов (за или против) был изменен таким образом, что голоса против (которые составляли меньшинство около 16%) были пропорционально повторены для создания сбалансированного набора.Сбалансированный набор был разделен на два набора: обучающий набор и набор проверки (70 и 30% соответственно), с сохранением баланса голосов за и против кандидата.

Мы использовали три измерения (совместное редактирование, возврат и обсуждение) для создания переменных, которые можно напрямую использовать для прогнозирования голосов (поскольку эти переменные являются функцией отношений между избирателем и кандидатом). Однако каждое из измерений использовалось дважды, изменяя направление отношения.Например, измерение совместного редактирования использовалось для получения двух переменных: совместных редакций _vc (от избирателя к кандидату) и соавторов _cv (кандидат в избиратели).

Мы также использовали четвертое измерение тем. Измерение тем было преобразовано в следующие три переменные: количество тем, в которых был активен кандидат в администраторы ( тем _c ), количество тем, в которых избиратель был активен ( тем _в ) и количество общих тем между избирателем и кандидатом ( тем _ общих ). Переменные темы _c и темы _в были дополнительно изменены путем введения пороговых значений количества правок в категории.

Переменные, созданные из MBSM, были дополнены простым критерием общего количества правок кандидата.

Мы использовали эти переменные для создания нескольких деревьев решений с различными ограничениями.В нашем анализе мы использовали SAS Enterprise Miner версии 6.2. Деревья оценивались с использованием показателя степени ошибочной классификации, который представляет собой отношение суммы количества ложноположительных и ложноотрицательных результатов к количеству всех случаев.

В лучшем дереве решений использовались все переменные, а коэффициент ошибочной классификации составлял около 16%. Мы будем называть это дерево Дерево . ₁ . Другое дерево было ограничено так, чтобы оно могло использовать только реляционные переменные (включая тем _c ommon ), за исключением переменных, которые подсчитывали количество правок в категориях для избирателя или кандидата ( Дерево ₂ ). Дерево ₃ был ограничен таким образом, что он мог использовать только общее количество правок и количество правок в тематических категориях. Еще одно дерево было ограничено глубиной и шириной, в результате получилось дерево, которое имело около 40 листьев ( Дерево ₄ ).

Сравнение правильности классификации различных деревьев показывает, что можно классифицировать голоса в процедурах RfA с точностью почти 85%.Лучшее дерево довольно большое и использует все переменные, хотя переменные, полученные из измерения Темы, являются наиболее значимыми. Ограничение дерева только нереляционными тематическими переменными снижает точность классификации примерно на 2%, что является значительным, если мы хотим рекомендовать лучших кандидатов. Однако такое ограничение имеет то преимущество, что в результирующем дереве исключаются все реляционные переменные, а это означает, что результирующая классификация гарантированно будет беспристрастной в отношении социальных отношений между избирателем и кандидатом . Дерево ₂ также исключает переменные, созданные из измерения «Обсуждение», что можно интерпретировать как знакомство между редакторами (как мы покажем в следующем разделе). Используя только реляционные переменные, которые зависят от отношений между избирателем и кандидатом (или наоборот), можно классифицировать голоса с точностью почти 70%, что показывает, что эти переменные действительно значимы для голосования RfA.

Уменьшенное Дерево ₄ имеет управляемый размер около 40 листов и обеспечивает точность около 73%, что можно считать достаточно хорошим, чтобы рекомендовать кандидатов для процедур RfA.В дереве используются следующие переменные: количество категорий, в которых кандидат редактировал, общее количество редактирований кандидата, совместное редактирование кандидата и избирателя, количество общих категорий, в которых редактировались кандидат и избиратель, и обсуждение кандидата и избирателя.

Пакет майнера SAS Enterprise позволяет сравнивать важность переменных в дереве решений. Важность переменной зависит от силы влияния и количества случаев, на которые она повлияла.Важность переменной выражается как средний процент важности переменной в прогнозировании класса каждого человека (подробности см. В Neville 1999). В таблице 5 показана важность выбранных переменных в дереве наилучших решений ( Дерево ₁ ).

Как и ожидалось, количество правок — сильный критерий оценки кандидата.Однако тематическое разнообразие редакций кандидата еще сильнее. Эти две простые меры могут быть использованы для формулирования критериев для выдвижения новых кандидатов в администраторы сообществом администраторов.

Количество тем, общих для избирателя и кандидата, является очень важной переменной. Этот вывод положительно подтверждает гипотезу B статьи: новые администраторы действительно избираются на основе схожего опыта редактирования статей по разным темам.

С другой стороны, важность других переменных, полученных из отношений MBSN, невысока по сравнению с другими критериями.Последняя переменная в таблице, strong _ обсуждение , была создана путем выбора краев в измерении обсуждения, которые имели силу не менее 630. Как будет показано в следующем разделе, этот порог важен для интерпретация этой переменной как знакомство между избирателем и кандидатом. Если эта интерпретация верна, мы можем сделать вывод, что гипотеза A не верна: знакомство не играет важной роли в избрании новых администраторов. В упрощенном дереве ( Дерево ₄ ) относительная важность strong _ обсуждение еще слабее, что указывает на то, что в Tree ₁ переменная используется для повышения корректности классификации выше уровня 73%.

Психологическая модель | Психология вики

Оценка | Биопсихология | Сравнительный | Познавательный | Развивающий | Язык | Индивидуальные различия | Личность | Философия | Социальные |
Методы | Статистика | Клиническая | Образовательная | Промышленное | Профессиональные товары | Мировая психология |

Когнитивная психология: Внимание · Принимать решение · Учусь · Суждение · Объем памяти · Мотивация · Восприятие · Рассуждение · Мышление — Познавательные процессы Познание — Контур Индекс

Ментальная модель — это объяснение в чьем-то мыслительном процессе того, как что-то работает в реальном мире.Это своего рода внутренний символ или представление внешней реальности, которое, как предполагается, играет важную роль в познании. Считается, что эта идея принадлежит Кеннету Крейку в его книге « The Nature of Explanation » 1943 года. После ранней смерти Крейка в велосипедной аварии идея получила развитие гораздо позже. До Крайка Жорж-Анри Люке уже в некоторой степени развил эту идею: в своей основополагающей книге Le dessin enfantin (Детские рисунки), опубликованной в 1927 году парижским издательством Alcan, он утверждал, что дети, очевидно, конструируют внутренние модели , a точка зрения, которая повлияла, среди прочего, на Жана Пиаже.

Две книги, обе под названием «Ментальные модели», появились в 1983 году [1]. Один был написан Филипом Джонсон-Лэрдом, профессором психологии Принстонского университета. Другой был сборник статей под редакцией Дедре Джентнера и Альберта Стивенса. См. «Ментальные модели» (книга Гентнера-Стивенса). С тех пор идея взаимодействия человека с компьютером и удобства использования обсуждалась и использовалась такими людьми, как Дональд Норман и Стивом Кругом в его книге «Не заставляй меня думать». Вальтер Кинч и Теун А. ван Дейк, используя термин ситуационная модель (в своей книге Стратегии понимания дискурса , 1983), показали актуальность ментальных моделей для производства и понимания дискурса. Это всего лишь несколько примеров из множества других.

Исследователи, изучающие ментальные модели [править | править источник]

• Жорж-Анри Люке: «Детские рисунки», Free Association Books, 2001, ISBN 1853435163 (мягкая обложка)
• Джентнер, Дедре и Стивенс, А. Л. (1983) Ментальные модели, Лоуренс Эрлбаум Ассошиэйтс, Инк., ISBN 089859-242-9.

Research: Моделирование скрытых платных редакторов — Meta

Created