Mejora tus Modelos de Machine Learning con Operadores de Forma

Описание: En campos como la econometría, la estadística y el machine learning, es común necesitar estimar funciones que, por su naturaleza, deben cumplir ciertas restricciones de forma. Por ejemplo, una curva de crecimiento infantil siempre debe ser no decreciente, o la función de producción de una empresa suele ser creciente y cóncava. Sin embargo, los métodos de estimación genéricos a menudo producen resultados que no respetan estas reglas lógicas, generando predicciones que carecen de sentido práctico.

Este estudio propone un método innovador para solucionar este problema. En lugar de complicar los modelos iniciales, la técnica consiste en aplicar "operadores funcionales" a los resultados de cualquier estimación ya realizada, sea paramétrica o no paramétrica. Estos operadores actúan como un molde que corrige la estimación inicial para forzarla a cumplir con las restricciones de forma deseadas (como monotonía, convexidad o un rango específico), mejorando así su precisión y fiabilidad sin alterar sus propiedades estadísticas fundamentales.

La gran ventaja de este enfoque es su universalidad y la mejora garantizada que ofrece. Las estimaciones corregidas mediante estos operadores están matemáticamente más cerca de la función real, y los intervalos de confianza resultantes son más estrechos y tienen una mayor probabilidad de contener el valor verdadero. El estudio ilustra la eficacia del método con dos aplicaciones reales: la estimación de una tabla de crecimiento de altura para niños en la India y la modelización de la función de producción para empresas químicas en China.


Link al paper: https://arxiv.org/pdf/1809.01038


Autores del estudio: Xi Chen, Victor Chernozhukov, Iván Fernández-Val, Scott Kostyshak, Ye Luo


Apoyanos en   / audioarxiv  


Unete en   / discord  


#economía #MachineLearning #Estadistica #CienciaDeDatos #Econometria #InteligenciaArtificial