Modellering
Statistische en voorspellende modellen
Het ontwikkelen van een formele of rekenkundige voorstelling waarmee relaties worden verklaard, categorieën worden voorspeld of numerieke uitkomsten worden geschat. Een model steunt altijd op data, aannames en een afgebakend toepassingsgebied.
Veelgebruikte regressiemodellen
Regressie onderzoekt het verband tussen invoervariabelen en een doelvariabele. Het gekozen model hangt af van het type uitkomst, de vorm van het verband en de hoeveelheid beschikbare data.
Simple linear regression
Gebruikt één invoervariabele om een continue doelvariabele met een rechte lijn te voorspellen.
Multiple linear regression
Gebruikt twee of meer invoervariabelen om één continue numerieke uitkomst te voorspellen.
Logistic regression
Schat de waarschijnlijkheid van een categorische uitkomst, bijvoorbeeld ja of nee. Ondanks de naam wordt dit doorgaans als classificatiemodel gebruikt.
Polynomial regression
Voegt machten en interacties van variabelen toe om een niet-lineair of gebogen verband te modelleren.
Ridge- en Lasso-regressie
Voegen regularisatie toe aan lineaire regressie. Ridge verkleint coëfficiënten; Lasso kan minder relevante coëfficiënten volledig naar nul brengen.
Voorbeeld: voorspellen welke recepten high traffic worden
Een receptenwebsite kan historische recepten met een bekend verkeerslabel als trainingsdata gebruiken. De doelvariabele is bijvoorbeeld high_traffic: ja of nee. Mogelijke features zijn receptcategorie, aantal ingrediënten, bereidingstijd, voedingswaarden, publicatiemoment en eerdere interacties.
Trainings- en testset
Een deel van de historische data leert het model; een afgescheiden testset controleert de prestaties op ongeziene recepten.
Feature engineering
Ruwe kenmerken worden opgeschoond, gecodeerd of afgeleid. Categorische waarden kunnen bijvoorbeeld one-hot encoded worden.
Classificatie en threshold
Logistische regressie geeft een kansscore. Een beslissingsdrempel bepaalt vanaf welke kans een recept als high traffic wordt geclassificeerd.
Evaluatiemetrieken
Een confusion matrix, precision, recall, F1-score en ROC-AUC tonen verschillende aspecten van de voorspelkwaliteit. Alleen accuracy kan misleidend zijn bij class imbalance.
Validatie
Cross-validatie, controle op data leakage en vergelijking met een eenvoudige baseline helpen overfitting en te optimistische resultaten voorkomen.
Interpretatie
Coëfficiënten en feature importance kunnen aanwijzingen geven, maar een voorspellend verband bewijst niet automatisch causaliteit.
Belangrijk vakjargon bij modellering
Modelontwikkeling omvat meer dan een algoritme kiezen. Ook datakwaliteit, validatie, interpretatie en beheer bepalen of een voorspelling betrouwbaar kan worden gebruikt.
Hyperparameter
Een instelling die vóór of tijdens het trainen wordt gekozen, zoals de regularisatiesterkte.
Baseline model
Een eenvoudig referentiemodel waarmee een complexer model eerlijk wordt vergeleken.
Bias-variance trade-off
De afweging tussen een te eenvoudig model dat patronen mist en een te gevoelig model dat ruis leert.
Data leakage
Informatie uit de toekomst, testset of doelvariabele komt onbedoeld in de modelinput terecht en maakt de prestaties kunstmatig hoog.
Class imbalance
De ene categorie komt veel vaker voor dan de andere, waardoor accuracy zonder verdere metriek een verkeerd beeld kan geven.
Inference
Het toepassen van een getraind model op nieuwe data om een voorspelling of kansscore te produceren.