Hablando intuitivamente, imagine que el efecto de contraer diabetes (Y) aumenta exponencialmente una vez que comienza a fumar cigarrillos más allá de un límite particular (X ^ 2). Hasta que llegue a ese punto, hay una especie de relación lineal y después de un punto en particular, hay un aumento exponencial en la posibilidad. Términos como X ^ 2 intentan capturar este tipo de efecto.
Otro ejemplo intuitivo es el de un efecto de fumar y beber en la diabetes. Por supuesto, puedes modelarlo usando
Y = B0 + B1 (A) + B2 (C) donde A y C corresponden al alcohol y los cigarrillos correspondientemente. Ahora, si el médico dice que las posibilidades de contraer diabetes aumentan cuando combinas el efecto de los cigarrillos y el alcohol, debes agregar un patrón de interacción como este:
Y = B0 + B1 (A) + B2 (C) + B3 (A * C) que captura no solo el efecto individual sino también el efecto cuando ambos están presentes juntos.
Lea esto para obtener una explicación más detallada con gráficos: http://www.medicine.mcgill.ca/ep…
- ¿Cuáles son las principales similitudes y diferencias entre los alumnos basados en instancias y las máquinas de vectores de soporte?
- En LSTM, ¿cómo calculas qué tamaño deben tener los pesos?
- ¿Cuál es / son los métodos para iniciar / elegir filtros en redes neuronales convolucionales?
- Sistemas móviles: ¿Qué empresas / organizaciones de investigación están trabajando en el área de análisis de comportamiento / sistemas colaborativos basados en dispositivos móviles?
- Según Wikipedia, las redes neuronales artificiales actuales tienen la complejidad del cerebro de un gusano. ¿Es eso cierto?