Awọn anfani:
- Agbara lati ṣe agbekalẹ awoṣe laini gbogbogbo (GLM), ifosiwewe eewu, idiyele ati awọn imọran Ere eewu pẹlu atilẹyin ti oye atọwọda ati tumọ awọn iyeida sinu ede iṣowo
- Agbara lati jiroro iwọntunwọnsi ti yiyan oniyipada, ibaraenisepo, apọju, ati itumọ ti awọn awoṣe ikẹkọ ẹrọ (GBM) pẹlu oye atọwọda
- Ni anfani lati loye pe awoṣe idiyele jẹ ofe lati idinamọ/awọn oniyipada iyasoto ati ibamu ti idiyele ipari pẹlu ofin ati idije ti fi silẹ si adaṣe.
Iye owo eto imulo iṣeduro ko ṣe ipinnu laileto. Ewu ti ijamba ijabọ fun ọmọ ọdun 22, awakọ tuntun ti o ni iwe-aṣẹ ti n gbe ni ilu nla kan ni iṣiro ga ju ti awakọ ọdun 45 ti o ni iriri 20 ọdun; Ni eto itẹtọ, awọn ere yẹ ki o tun yatọ. Iṣẹ iṣe oṣere ti wiwọn iyatọ yii ati afihan rẹ lori idiyele ni a pe ni idiyele ati iyasọtọ eewu. Ninu ẹyọ yii, a yoo jiroro lori awoṣe laini gbogbogbo (GLM), ẹhin ẹhin idiyele ti idiyele, ati awọn omiiran ikẹkọ ẹrọ rẹ, ati rii bii o ṣe le lo AI lailewu ninu ilana yii.
Awọn ofin ipilẹ diẹ. Ewu ifosiwewe jẹ oniyipada ti o ni ipa lori ewu ati pe a lo ninu idiyele (ọjọ ori, ọjọ ori ọkọ, agbegbe, lilo ti a pinnu). Owo idiyele jẹ eto awọn ofin ti o pinnu bi a ṣe ṣe iṣiro owo-ori naa ni ibamu si awọn okunfa eewu. Ere eewu jẹ iye owo isonu ti o nireti mimọ; Nigbati awọn inawo, awọn igbimọ, awọn ala ere ati awọn idiyele olu ni afikun, idiyele ti iṣowo (owo tita) ti ṣẹda. Jẹ ki a leti lati ibẹrẹ: AI ni imọran awọn oniyipada, kọ awọn awoṣe, ṣe alaye awọn iye-iye; Ṣugbọn oniyipada wo ni ofin ati ilana ati boya idiyele ipari ni ibamu pẹlu ofin ati idije jẹ ti iṣe iṣe ati apakan ibamu.
Kini idi ti GLM jẹ idiwọn ni iṣẹ-ṣiṣe
Ọna ti a lo julọ ni idiyele jẹ GLM. GLM duro fun “awoṣe laini gbogbogbo”: o fa ipadasẹhin laini kilasika lati baamu awọn ibi-afẹde ti kii ṣe pinpin deede, gẹgẹbi data ibajẹ. O ni awọn paati ipilẹ meji. Idile pinpin: Poisson ti yan fun igbohunsafẹfẹ, gamma ti yan fun kikankikan (ero inu ọkan 2). Iṣẹ ọna asopọ (ọna asopọ): nigbagbogbo logarithmic, eyiti o fun laaye awọn okunfa lati ni ipa isodipupo. Ilana isodipupo ṣeyelori pupọ ni iṣe nitori iyẹn gan-an ni bi a ṣe ṣeto owo idiyele: ipilẹ Ere × ipin ifosiwewe agbegbe × ifosiwewe ọkọ.
Anfani ti o tobi julọ ti GLM jẹ itumọ. Olusọdipúpọ kan sọ fun ọ taara: “Ẹgbẹ awakọ ọdọ pọ si igbohunsafẹfẹ nipasẹ awọn akoko 1.6 ni akawe si ẹgbẹ itọkasi.” Itọkasi yii ṣe pataki ni awọn ọna mẹta: (1) olutọsọna ati iṣayẹwo inu le loye ati fọwọsi awoṣe; (2) ipa idinamọ / iyasoto jẹ han; (3) idiyele idiyele le ṣe alaye si awọn tita ati ẹgbẹ iṣakoso. Awọn awoṣe ikẹkọ ẹrọ eka diẹ sii (ni isalẹ) nigbakan fun iṣedede giga, ṣugbọn laibikita fun akoyawo.
Imọran: olùsọdipúpọ GLM wa lori iwọn log. Beere lọwọ AI lati ṣe iyipada olùsọdipúpọ sinu “ifosiwewe isodipupo” pẹlu exp(alasọdipúpọ); Yoo rọrun pupọ lati tumọ si ede iṣowo (fun apẹẹrẹ iyeida 0.47 → ifosiwewe ≈ 1.60 → “60% eewu”).
Yiyan iyipada, overfitting ati ẹkọ ẹrọ
Ipinnu to ṣe pataki julọ ni idiyele ni eyiti awọn oniyipada yoo wa ninu awoṣe. Awọn ẹgẹ meji lo wa. Awọn oniyipada diẹ ṣe afọju awoṣe: ti o ba padanu awakọ ewu pataki, idiyele yoo jẹ aṣiṣe. Oniyipada pupọ / overfitting jẹ ki awoṣe ṣe akori data ti o kọja: awoṣe asise ariwo fun ifihan ati kuna pẹlu awọn eto imulo tuntun. Iwontunws.funfun ti wa ni idasilẹ nipasẹ afọwọsi-agbelebu - pinpin data sinu ikẹkọ ati awọn ege idanwo ati idanwo rẹ lori data ti awoṣe ko rii, ayedero ati ero iṣe.
Ibaraṣepọ tun ṣe pataki: nigbakan ipa apapọ ti awọn ifosiwewe meji yato si iye awọn ipa lọtọ wọn (ọkọ ọdọ + ere idaraya le jẹ eewu ju apao awọn ipa kọọkan wọn). Ni GLM, awọn ibaraẹnisọrọ ti wa ni afikun ni gbangba.
Ni awọn ọdun aipẹ, awọn awoṣe bii GBM (ẹrọ igbega gradient - ọna ikẹkọ ẹrọ ti o lagbara ti o ṣajọpọ ọpọlọpọ awọn igi ipinnu kekere) ti di wọpọ ni idiyele. Iwọnyi gba awọn ilana idiju ati awọn ibaraenisepo laifọwọyi, nigbagbogbo fifun awọn asọtẹlẹ deede diẹ sii ju GLM. Ṣugbọn o wa ni idiyele: ifarahan lati jẹ “apoti dudu”. Iwa ti o wọpọ loni ni lati lo GBM fun iṣawari ati iran imọran ati GLM fun idiyele idiyele ipari ikẹhin; tabi itumọ igbejade GBM pẹlu awọn irinṣẹ alaye gẹgẹbi SHAP.
Tabili ti o tẹle yii ṣe afiwe awọn ọna meji:
àwárí mu
GLM
GBM (ẹkọ ẹrọ)
Itumọ
Ga (alasọdipúpọ lori)
Kekere (nilo irinṣẹ asọye)
Yaworan ibaraenisepo
Fi kun pẹlu ọwọ
laifọwọyi
Ewu ti overfitting
kekere-alabọde
Giga (atunṣe iṣọra nilo)
alabojuto / ayewo
rorun
Nira, nbeere afikun iwe
Aṣoju lilo
ik idiyele
awari, lafiwe
Bii o ṣe le lo AI ni idiyele
1) Titumọ olùsọdipúpọ GLM si ede iṣowo:
Mo ṣeto GLM igbohunsafẹfẹ kan (Poisson, ọna asopọ log). Àwọn olùsọdipúpọ̀ kan (ìwọ̀n àkọọ́lẹ̀): age_group_18_25: 0.47; agbegbe_poju: 0.22; arac_yasi_10plus: -0.15. Yipada ọkọọkan sinu ifosiwewe isodipupo pẹlu exp () ki o ṣe alaye rẹ ni gbolohun kan ti oluṣakoso le loye. Tun leti kini ẹgbẹ itọkasi jẹ.
2) Ayipada/ibaraẹnisọrọ ibaraẹnisọrọ:
Rẹ ipa: ifowoleri Iranlọwọ. Awọn oniyipada oludije mi fun awoṣe igbohunsafẹfẹ ijabọ jẹ: ọjọ ori, akọ-abo, agbegbe, ọjọ ori ọkọ, agbara engine, km lododun, oojọ. - Awọn oniyipada wo ni o le jẹ eewu lati oju-ọna ilana/iwa (fun apẹẹrẹ iyasoto aiṣe-taara)? - Awọn ibaraenisọrọ meji wo ni yoo jẹ oye lati gbiyanju? - Awọn igbesẹ ijẹrisi wo ni MO yẹ ki n tẹle lati yago fun mimuju? Ṣiṣe ipinnu; Fun mi ni ilana fun iṣakoso ati ijiroro.
3) Awọn koodu iṣakoso overfitting:
Kọ koodu asọye ti o ṣe iṣiro GLM kan pẹlu ijẹrisi-agbelebu k-agbo nipa lilo Python + scikit-learn / statsmodels. Lo iyapa Poisson bi metiriki. Ṣe afiwe ikẹkọ ati awọn ikun idanwo ki o ṣe alaye ninu laini asọye bi o ṣe le ka ami aṣeju. iro ni ile ikawe.
4) Iyasọtọ/Ayẹwo oniyipada aropo:
'Postcode' yipada lati jẹ oniyipada to lagbara ninu awoṣe idiyele mi. Ṣe alaye ewu ti eyi ni aiṣe-taara ti o nsoju abuda eewọ (fun apẹẹrẹ ẹya, owo-wiwọle) gẹgẹbi oniyipada aṣoju. - Ayẹwo wo ni MO yẹ ki n ṣe lati ṣe idanwo fun ewu yii? - Awọn ọna miiran wo ni o wa lati dinku eewu naa? Pese imọran ofin; fa a imọ ati asa ilana.
Ailagbara kiakia / Alagbara kiakia
Ibere ailagbara:
Ṣeto awoṣe idiyele ti o dara julọ fun iṣeduro ijabọ.
"Ti o dara ju" jẹ aisọye; Ko si data, ko si awọn ihamọ, ko si ofin. AI funni ni jeneriki, idahun ti ko wulo.
Ibere ti o lagbara:
Ipa rẹ: oluranlọwọ si actuary ifowoleri. Ọrọ: Mo n kọ awoṣe igbohunsafẹfẹ ti eka ijabọ, GLM (Poisson, ọna asopọ log). Awọn oniyipada ti mo ni: ẹgbẹ ori, ọjọ ori ọkọ, agbegbe (agbegbe), km lododun, lilo ti a pinnu. Ihamọ: abo ko le ṣee lo nipasẹ ofin; Mo nilo lati yago fun iyasọtọ ti aiṣe-taara.Iṣẹ: 1) Ṣe imọran sipesifikesonu awoṣe akọkọ pẹlu awọn oniyipada wọnyi (pẹlu awọn ẹgbẹ itọkasi).2) Fun awọn idi fun awọn ibaraẹnisọrọ 2 Mo yẹ ki o gbiyanju. O pese ilana ati idalare.
mẹta mini igba
Ọran 1 - Awọn iye ti akoyawo. Ile-iṣẹ kan ṣafihan awoṣe idiyele deede ti o ṣe pẹlu GBM si olutọsọna, ṣugbọn ko le ṣe alaye awọn iye-iye; alakosile idaduro. Awọn actuary ti won ko a GLM ti o gba kanna awọn ifihan agbara; Yiye ti lọ silẹ nipasẹ 2 ogorun, ṣugbọn nitori pe gbogbo ifosiwewe le ṣe iṣiro fun, awoṣe jẹ ifọwọsi laarin oṣu kan. GBM ti wa ni ipamọ fun atunyẹwo, GLM di idiyele. YZ yarayara ṣe agbejade koodu ati apejuwe olutọsọna ti o ṣe afiwe iṣẹ ti awọn awoṣe meji.
Case 2 - The overfitting pakute. Oluranlọwọ ni Dimegilio pipe lori data ikẹkọ nigbati o ṣafikun diẹ sii ju awọn oniyipada 40 ati ọpọlọpọ awọn ibaraẹnisọrọ si awoṣe. Ṣugbọn lori ijẹrisi-agbelebu, Dimegilio idanwo ṣubu: awoṣe ti ṣe akori ariwo naa. Iṣẹ ṣiṣe gidi-aye pọ si nigbati nọmba awọn oniyipada dinku si 12 ati irọrun. Ẹkọ: wo Dimegilio data ti a ko ri tẹlẹ, kii ṣe Dimegilio ikẹkọ.
Ọran 3 - Iyatọ aiṣe-taara. Ninu awoṣe kan, oniyipada “agbegbe” ṣe alaye idiyele ni agbara. Onínọmbà fihan pe oniyipada yii pọ pupọ pẹlu ifọkansi ẹya, ie, o jẹ aṣoju fun abuda eewọ. Awọn actuary rọpo oniyipada yii pẹlu awọn itọkasi eewu eewu diẹ sii (iru ọna, ipo ibi ipamọ); mejeeji iwa ati awọn ewu ti ofin ti dinku. AI ṣe agbejade iṣiro ibamu wiwọn agbekọja ati awọn aba oniyipada yiyan; Ẹya iṣe ati ifaramọ ṣe ipinnu naa.
Awọn aṣiṣe ti o wọpọ
- Ṣiṣe awọn uninterpretable awoṣe awọn Gbẹhin ohunelo. Iye owo ti ko le ṣe alaye si olutọsọna, iṣayẹwo ati alabara jẹ alagbero; Itumọ jẹ pataki.
- Gbẹkẹle Dimegilio ẹkọ. Overfitting jẹ wiwa nikan ni data ti a ko rii (ifọwọsi agbelebu).
- Lilo eewọ/awọn oniyipada aropo laisi ṣayẹwo. Awọn oniyipada gẹgẹbi koodu zip ati iṣẹ le gbe iyasoto ti aiṣe-taara; Rii daju lati ṣe idanwo rẹ.
- Ere eewu airoju pẹlu Ere iṣowo. Iye owo ibajẹ mimọ nikan kii ṣe idiyele tita; inawo, èrè ati iye owo ti olu ti wa ni afikun.
- Nlọ olùsọdipúpọ̀ lọ́wọ́ lórí òṣùwọ̀n log àti ṣíṣe ìtumọ̀ rẹ̀. Ọrọ asọye laisi iyipada si ifosiwewe pupọ pẹlu exp () yoo fa aṣiṣe kan.
Išọra: Iṣeduro AI ti awoṣe ti “fifun ni deede to dara julọ” kii ṣe awoṣe laifọwọyi ti “yẹ ki o lo”. Itọkasi, ododo ati ibamu pẹlu ofin jẹ awọn ibeere dandan bi deede ni idiyele iṣe.
Ni soki
Ifowoleri jẹ ilana ti wiwọn eewu pẹlu awọn okunfa eewu ati yiyipada rẹ sinu Ere itẹtọ. GLM jẹ boṣewa ti idiyele iṣẹ-ṣiṣe pẹlu isodipupo ati igbekalẹ itumọ; Awọn iyeida ti wa ni iyipada si awọn okunfa pẹlu exp(). Awọn awoṣe ikẹkọ ẹrọ bii GBM le jẹ deede diẹ sii, ṣugbọn wọn dinku akoyawo ati pe wọn lo nigbagbogbo fun wiwa. Aṣayan oniyipada yẹ ki o ni aabo lodi si fifin nipasẹ afọwọsi-agbelebu, ati iyasoto aiṣe-taara (iyipada aropo) yẹ ki o ni iṣakoso ni pẹkipẹki. AI kọ awoṣe, kọ koodu ati ṣe alaye iyeida; Ṣugbọn ibamu-iwa ti ofin ati idiyele ipari jẹ ti iṣẹ iṣe ati apakan ibamu.
Ohun elo iṣẹ-ṣiṣe
Ṣe atokọ awọn okunfa eewu 5-6 fun pataki kan. Beere AI fun (a) sipesifikesonu akọkọ ti GLM pẹlu awọn nkan wọnyi, (b) awọn ibaraẹnisọrọ 2 lati gbiyanju ati idi wọn, (c) ibojuwo awọn oniyipada ti o le wa ninu eewu fun iyasoto aiṣe-taara. Lẹhinna, fun apẹẹrẹ ti awọn olusọdipúpọ log-3, beere lọwọ AI lati yi iyipada rẹ pada si ifosiwewe isodipupo pẹlu exp () ati gbe lọ si ede iṣowo, ati rii daju awọn ifosiwewe pẹlu ọwọ.
akojọ ayẹwo
- [] Ṣe a le tumọ awoṣe mi; Ṣe MO le tumọ ipa ti ifosiwewe kọọkan si ede iṣowo?
- [] Njẹ Mo ti ṣayẹwo fun fifi sori ẹrọ nipasẹ ijẹrisi-agbelebu?
- [] Njẹ Mo ti ṣayẹwo fun iyasoto aiṣe-taara fun eewọ ati awọn oniyipada aṣoju bi?
- [] Njẹ Mo ti mọọmọ yapa awọn ere eewu kuro ninu Ere iṣowo?
- [] Ni mo se iyipada awọn iyeida sinu multipliers pẹlu exp () ati ki o túmọ wọn ti tọ?
- [] Njẹ Mo ṣe ipinnu idiyele idiyele ipari pẹlu ofin ati ẹyọ ibamu bi?