 |
|
Subject: penalized or rewarded ...как понять? Клиническое исследование. план статистического анализа: Use a multiple regression approach under a missing-at-random hypothesis to generate complete datasets. The predictors for the regression imputation model at any time point were to be region, baseline eGFR categories (< 60 or ≥ 60 mL min ‑1 per 1.73 m 2 ), baseline BMI category (< 25 kg m -2 or ≥ 25 kg m ‑2 ), history of heart failure, insulin prescription, and HbA 1c at all previous time points, including baseline. The first imputed values were to be penalized or rewarded based on the treatment group the subject was assigned to:Интересует последнее предложение. Что делают с подставляемым значением? penalized or rewarded?? Т.е. его бракуют или используют?? Благодарю заранее. |
| Понижают или повышают. Скорее всего, путем применения весовых коэффициентов. |
|
Поскольку штраф сводится к норме на подпространствах, определенных каждой группой, он не может выбрать только некоторые ковариаты из группы, как не может регрессия гребня. Однако, поскольку штраф представляет собой сумму по различным нормам подпространств, как в стандартном лассо, ограничение имеет некоторые недифференциальные точки, которые соответствуют тождественным нулю некоторых подпространств. Следовательно, он может установить векторы коэффициентов, соответствующие некоторым подпространствам, равными нулю, а другие только сжимать. Однако можно расширить групповое лассо до так называемого разреженного группового лассо, которое может выбирать отдельные ковариаты внутри группы, добавляя дополнительный штраф к каждому подпространству группы. Другое расширение, групповое лассо с перекрытием, позволяет разделять ковариаты между группами, например, если ген должен возникать в двух путях. https://ru.xcv.wiki/wiki/Lasso_(statistics) А в остальном я пас! |
|
Контроль воздействия штрафа Рассчитанный размер весов добавляется к целевой функции потерь при обучении сети. Вместо того, чтобы добавлять каждый вес к штрафу напрямую, их можно взвешивать с помощью нового гиперпараметра, называемого альфа (а) или иногда лямбда. Это контролирует количество внимания, которое учебный процесс должен уделять штрафу. Или, другими словами, сумма штрафа модели зависит от размера веса. Альфа-гиперпараметр имеет значение от 0,0 (без штрафа) до 1,0 (полное штрафа). Этот гиперпараметр контролирует величину смещения в модели от 0,0 или низкого смещения (высокая дисперсия) до 1,0 или высокого смещения (низкая дисперсия). Если штраф слишком силен, модель будет недооценивать веса и соответствовать проблеме. Если штраф слишком слабый, модели будет разрешено превышать тренировочные данные. Вектор, ни весов часто рассчитывается для каждого слоя, а не для всей сети. Это обеспечивает большую гибкость в выборе типа используемой регуляризации (например, L1 для входов, L2 в других местах) и гибкость в значении альфа, хотя по умолчанию обычно используется одинаковое значение альфа на каждом слое В контексте нейронных сетей иногда желательно использовать отдельное наказание с разными коэффициентами для каждого уровня сети. Поскольку поиск правильного значения нескольких гиперпараметров может быть дорогостоящим, все же разумно использовать одинаковое снижение веса на всех слоях только для уменьшения размера пространства поиска. |
| Благодарю всех :) |
| You need to be logged in to post in the forum |