Si está interesado en un algoritmo de aprendizaje automático, no necesariamente obtendrá una “ecuación” interpretable. La ventaja habitual del aprendizaje automático es evitar hacer suposiciones paramétricas (por ejemplo, linealidad, falta de interacciones, no usar términos de orden superior, etc.)
Los datos que tiene parecen muy ricos en términos de observaciones, pero no de covariables.
Tres buenos lugares para comenzar, que no son particularmente difíciles de usar (hay paquetes R, entre otros lenguajes), son los bosques aleatorios (una técnica básica de aprendizaje automático), los modelos lineales generalizados (que son paramétricos) y quizás el Hastie- El marco de modelos aditivos generalizados de Tibshirani, que se ubica entre los dos en términos de cuán “no paramétrico” es. Y, por supuesto, está todo el campo de la inferencia no paramétrica, que proporciona un conjunto de herramientas formales para resolver problemas como el suyo, pero puede ser complicado para los nuevos en él.
- ¿Cuál es la naturaleza de la red neuronal multicapa en el aprendizaje Deep Q?
- ¿Cuáles son algunas aplicaciones de aprendizaje automático para el comportamiento del usuario?
- ¿Qué debe hacer un estudiante de diploma para aprender software o aprendizaje automático?
- El mejor ajuste de línea se puede encontrar analíticamente por el método de mínimos cuadrados. ¿Podemos decir que la regresión lineal (mínimos cuadrados) tiene un optimizador?
- ¿Por qué las redes neuronales recurrentes no pueden ampliarse bien?
Quizás primero decida si desea que una ECUACIÓN real salga del esfuerzo, una que pueda interpretar. Si es así, cosas como el aprendizaje profundo / redes neuronales, si bien corresponden a ecuaciones, proporcionan aquellas que solo un extraterrestre podría amar.