模型选择和模型估计中更好的相对预测准确度度量
本文研究了使用平均绝对百分比误差(MAPE)作为回归模型质量度量的后果。我们证明了最佳 MAPE 模型的存在,并展示了基于 MAPE 的经验风险最小化的普适一致性。我们还表明,在 MAPE 下找到最佳模型等价于进行加权平均绝对误差(MAE)回归,并将此加权策略应用于核回归。作者还展示了 MAPE 核回归在模拟数据上的行为。
May, 2016
本文探讨了一些方法来评估生存数据集的 MAE,并介绍了一个生成逼真半合成生存数据集来帮助评估性能的新方法。我们的发现表明,我们提出的伪观察值方法可以准确地根据其性能排名模型,并且通常与真实的 MAE 接近 - 特别是优于几种替代方法。
Jun, 2023
本文探究均方误差作为深度神经网络回归模型的损失函数的性质,提出了均方误差的新特性使其成为更适合于 DNN 的回归损失函数,并阐述了 MAE 作为拉普拉斯分布错误的模型的优越性以及实现 MAE 比 MSE 更好地拟合深度神经网络回归的性能优势。
Aug, 2020
本研究介绍了对双元回归模型的偏差感知评估以避免在关键现实应用中潜在的不公平和风险,证明了使用 Eccentricity-Area Under the Curve 作为补充指标可以量化被称为偏心偏差的现象。
Jan, 2024
本文研究了一种针对多类问题的分类器性能度量 Confusion Entropy 与传统度量 Matthews Correlation Coefficient 的多分类推广之间的关系,并通过理论和计算证据支持了这一结果。
Aug, 2010
根据最新机器学习不确定性量化文献上的数据集集成,本文展示了标定误差 (CE) 极其敏感于不确定性分布的特点和异常值不确定性的存在,因此不适合用于标定测试,相比之下,ZMS 统计量在这个背景下提供了最可靠的方法,并且探讨了条件标定验证的启示。
Feb, 2024
本研究证明在逻辑回归模型中,当样本量和自变量个数的比例变大时,MLE 的偏差和方差均远大于经典预测所得,常用的 LRT 也未能满足卡方分布,因此现有的软件包所得出的推论是不可靠的。
Mar, 2018
本文探究了基于经验损失函数中内置的例子加权对抗不正常训练数据的鲁棒性深度学习,重点研究了与对数相关的梯度幅度以及未进行彻底研究的角度。研究发现,均方误差并没有平等地处理例子,梯度幅度的方差很重要,提出了一种称为改进均方误差(IMAE)的解决方案,证明了其在图像分类方面具有出色的效果。
Mar, 2019