空間回帰のメトリック
データ分析は、特に空間回帰のために、より優れた機械学習モデルを構築するために不可欠です。 一般的なタスクには、多直線性、正規分布バイアス、非定常性または異種性、および空間自動相関の分析が含まれます。
回帰モデルをトレーニングした後、様々な統計ベースのメトリックを使用してモデル結果を評価できます。 これにより、手元のタスクに最適な空間モデルを選択できます。 次の表に、oraclesai.metrics
モジュールでアクセスできるこれらの統計の一部を示します。 すべてのメソッドは、パラメータとして空間回帰モデルを受け取ります。
メトリック | 説明 |
---|---|
koenker_bassett |
空間異方性、特定のタイプの異種性によって引き起こされる可能性がある残留物の差異の存在を識別するのに役立ちます。 |
lm_error |
エラー期間に対する空間ラグを含む回帰アルゴリズムが必要かどうかを識別するためのLagrange乗数テスト。 |
lm_lag |
ターゲット変数に対する空間ラグを含む回帰アルゴリズムが必要かどうかを識別するためのLagrange乗数テスト。 |
rlm_error |
Spatial Errorモデルの堅牢なLagrange乗数テスト。 |
rlm_lag |
Spatial Lagモデルの堅牢なLagrange乗数テスト。 |
moran_res |
残余と残余の空間ラグ間の相関をテストします。 正の値と有意の値は、空間クラスタリングが存在することを示します。空間クラスタリングでは、類似した値のリージョンが一緒になり、空間依存性の影響が反映されます。 負および有意な値は、空間分散またはチェッカ・ボード・パターンの存在を示し、空間異質性の影響を反映します。 |
log_likelihood |
回帰モデルの対数可能性を返します。 モデル適合度を測定する方法です。 |
aic |
Akaike Information Criteria (AIC)は、モデルによる情報損失の量を推定します。 |
jarque_bera |
空間回帰モデルの残差における法線性の試験です。 |
vif |
分散インフレーション因子(VIF)は多線形性を検出するのに有用です。 多線形性は、空間回帰モデルが説明変数間に相関関係がある場合に発生します。 同一直線性による推定回帰係数の差異の増加を測定します。
場合によっては、別のフィーチャとの多直線性が高いフィーチャを空間モデルから削除する必要があります。 |
詳細は、「Oracle Spatial AI Python APIリファレンス」のoraclesai.metricsモジュールを参照してください。