El Modelo Seeker ODM permite a un usuario construir ABN múltiples y los modelos NB y seleccionar el "mejor modelo” basado en un criterio predeterminado.
El Modelo Seeker está en desuso en Oracle Data Mining 10g Release 1 (10.1) y no estará disponible en versiones posteriores de la ODM,
Con este Modelo Seeker, el usuario puede especificar los parámetros de forma compacta para una ejecución que se basará de forma asíncrona y prueba de modelos de clasificación múltiple. Estos modelos pueden ser construidos utilizando diferentes algoritmos. Para cada algoritmo, el Modelo Seeker varía sistemáticamente los parámetros del algoritmo para crear una serie de valores de los parámetros que se utilizan para crear los modelos correspondientes. El Modelo Seeker a continuación, evalúa estos modelos y elige un modelo "mejor" con un criterio predeterminado.
Estas características se han desarrollado para soportar aplicaciones que desea crear un modelo que puede ser utilizado directamente en un entorno de aplicaciones de producción con un mínimo de interacción del usuario. Esto supone que el desarrollador de aplicaciones tiene la experiencia o el consejo de alguien con la experiencia, para establecer los parámetros del algoritmo diferentes de una manera que sea adecuado para el problema de negocio particular, y las fuentes de datos en los que la solicitud es para operar.
Un segundo objetivo es presentar al usuario o aplicación un resumen de la información sobre cada modelo construido y probado por la ejecución del Modelo Seeker para que el usuario o la aplicación de forma independiente puedan encontrar los parámetros que corresponden a una alternativa "mejor modelo” usando un criterio diferente. Esta función tiene por objeto prestar apoyo a una solicitud de uso por un analista que se experimente con los ajustes de parámetros alternativos para descubrir los valores adecuados para su uso en un entorno de producción.
El criterio del Modelo Seeker para el "mejor modelo" es el que tiene el mayor valor de la exactitud de un cálculo en relación ponderada. El peso utilizado en este cálculo es la importancia relativa de la categoría de objetivo positivo para las demás categorías tratado como una categoría negativa. Si el peso se establece en 1,0, la categoría de objetivo positivo precisión relativa tiene el mismo peso que la precisión relativa de todas las demás categorías combinadas.
El Modelo Seeker está en desuso en Oracle Data Mining 10g Release 1 (10.1) y no estará disponible en versiones posteriores de la ODM,
Con este Modelo Seeker, el usuario puede especificar los parámetros de forma compacta para una ejecución que se basará de forma asíncrona y prueba de modelos de clasificación múltiple. Estos modelos pueden ser construidos utilizando diferentes algoritmos. Para cada algoritmo, el Modelo Seeker varía sistemáticamente los parámetros del algoritmo para crear una serie de valores de los parámetros que se utilizan para crear los modelos correspondientes. El Modelo Seeker a continuación, evalúa estos modelos y elige un modelo "mejor" con un criterio predeterminado.
Estas características se han desarrollado para soportar aplicaciones que desea crear un modelo que puede ser utilizado directamente en un entorno de aplicaciones de producción con un mínimo de interacción del usuario. Esto supone que el desarrollador de aplicaciones tiene la experiencia o el consejo de alguien con la experiencia, para establecer los parámetros del algoritmo diferentes de una manera que sea adecuado para el problema de negocio particular, y las fuentes de datos en los que la solicitud es para operar.
Un segundo objetivo es presentar al usuario o aplicación un resumen de la información sobre cada modelo construido y probado por la ejecución del Modelo Seeker para que el usuario o la aplicación de forma independiente puedan encontrar los parámetros que corresponden a una alternativa "mejor modelo” usando un criterio diferente. Esta función tiene por objeto prestar apoyo a una solicitud de uso por un analista que se experimente con los ajustes de parámetros alternativos para descubrir los valores adecuados para su uso en un entorno de producción.
El criterio del Modelo Seeker para el "mejor modelo" es el que tiene el mayor valor de la exactitud de un cálculo en relación ponderada. El peso utilizado en este cálculo es la importancia relativa de la categoría de objetivo positivo para las demás categorías tratado como una categoría negativa. Si el peso se establece en 1,0, la categoría de objetivo positivo precisión relativa tiene el mismo peso que la precisión relativa de todas las demás categorías combinadas.
¿Cómo Funciona el Modelo Seeker?
La siguiente fórmula se utiliza para calcular el factor de mérito (FOM) para el "mejor modelo", donde FOM es la suma encarecida de la destinataria de la precisión relativa y el total precisión relativa negativos:
Donde W es el peso especificado por el usuario, un valor que debe ser > 0.0. Un método recomendado para que un usuario seleccione un valor para el peso es la siguiente. En primer lugar, estimar el costo para el usuario de las predicciones de que son todos correctos, a excepción de un porcentaje fijo al azar, digamos, un 5%, de las predicciones positivas de falsos positivos. En segundo lugar, estimar el costo para el usuario de las predicciones de que son todos correctos, excepto para el mismo porcentaje fijo al azar, un 5%, de las predicciones negativas que los falsos negativos. Usar un valor de un peso igual a la relación de la segunda estimación de la primera estimación. Un peso de 1,0 significa que un determinado porcentaje de falsos negativos tiene el mismo costo que un determinado porcentaje de falsos positivos.
La siguiente fórmula se utiliza para calcular el factor de mérito (FOM) para el "mejor modelo", donde FOM es la suma encarecida de la destinataria de la precisión relativa y el total precisión relativa negativos:
Donde W es el peso especificado por el usuario, un valor que debe ser > 0.0. Un método recomendado para que un usuario seleccione un valor para el peso es la siguiente. En primer lugar, estimar el costo para el usuario de las predicciones de que son todos correctos, a excepción de un porcentaje fijo al azar, digamos, un 5%, de las predicciones positivas de falsos positivos. En segundo lugar, estimar el costo para el usuario de las predicciones de que son todos correctos, excepto para el mismo porcentaje fijo al azar, un 5%, de las predicciones negativas que los falsos negativos. Usar un valor de un peso igual a la relación de la segunda estimación de la primera estimación. Un peso de 1,0 significa que un determinado porcentaje de falsos negativos tiene el mismo costo que un determinado porcentaje de falsos positivos.
No hay comentarios:
Publicar un comentario