Depende del tipo de problema para el que está creando el modelo. Si se trata de un modelo explicativo , puede usar:
- El criterio AIC , y mantener las variables que le dan el mejor valor
- Suponiendo que tiene algunas variables insignificantes, podría realizar una eliminación de variables hacia adelante o una eliminación de variables hacia atrás de variables insignificantes una por una al comparar el R cuadrado ajustado.
Sin embargo, su valor absoluto de R cuadrado (la precisión del modelo) se vería afectado, la eliminación es una compensación entre excluir variables insignificantes y aumentar los valores de R cuadrado, ya que generalmente el objetivo es descubrir las variables que afectan significativamente el resultado .
Si está creando un modelo predictivo , no necesita preocuparse por la importancia de las variables, ya que el objetivo final son las predicciones precisas. Con cada variable que se elimina, el poder predictivo del modelo disminuye, por lo tanto, la eliminación de variables generalmente no es aconsejable al construir un modelo de regresión lineal predictivo.
- ¿Cómo podemos suprimir el ruido de fondo en un teléfono durante una llamada telefónica?
- ¿Cómo se utiliza el aprendizaje automático en el análisis de sentimientos?
- Cómo calcular la probabilidad de que una oración aparezca en algún lugar del texto usando Word2Vec
- ¿Cuál es la mejor computadora portátil que puedo obtener para aprender el aprendizaje profundo con CUDA?
- ¿Cuáles son las ventajas de las técnicas de aprendizaje automático sobre las técnicas de pronóstico tradicionales?
