Rendimiento: no
Interpretación: sí.
La presencia de una característica altamente correlacionada no afectará la predicción final del modelo. Sin embargo, las estimaciones de los coeficientes pueden no tener sentido.
Un coeficiente de regresión mide el cambio en Y por unidad de cambio en ese predictor, todos los predictores se mantendrán fijos. Pero los predictores correlacionados cambian juntos.
Ejemplo:
A. Y cantidad total de cambio en su bolsillo; X1 = # de monedas; X2 = # de centavos, monedas de cinco centavos y monedas de diez centavos. Por sí mismo, el coeficiente de regresión de Y en X2 será> 0. ¿Pero qué tal con X1 en el modelo?
B. Y = número de tacleadas por un jugador de fútbol en una temporada; W
y H son su peso y altura. Modelo de regresión ajustado
es Y = B (0) + 0.50W-0.10H. ¿Cómo interpretamos B (2) <0?
Gracias
- ¿Qué piensan los expertos en sistemas de recomendación sobre el documento 'Estimación del impacto causal de los sistemas de recomendación a partir de datos de observación'?
- ¿Cómo manejo tanto la programación como la investigación en el área de redes neuronales y redes neuronales profundas?
- ¿Cómo detectamos las anamolias que causan la caída de la máquina y la pérdida de producción en la fabricación?
- ¿Qué tecnología debo aprender, siendo un desarrollador de mainframe interesado en análisis de datos, AWS, aprendizaje automático, big data y otros?
- ¿Cómo funcionan las redes de propuestas regionales (RPN)?
