超级会员免费看
预测的策略与方法
1. 预测问题简介
许多数据挖掘问题依赖于能够预测未来结果的模型、方程或机器的构建。尽管预测是数据挖掘的重要组成部分，但线性模型、神经网络、决策树和支持向量机等众多方法，会让看似简单的预测问题变得相当复杂。
在很多应用中，我们不仅希望未来的预测准确，还想了解观测特征与结果之间的关系。例如，预测12岁学生在18岁前是否会辍学，我们既希望准确评估辍学风险，也想找出使某些学生面临更高风险的因素。理解学生特征与结果之间的机制，有助于制定识别高危学生的经验法则和针对这些学生的干预措施。
无论是单纯的预测目标、理解潜在机制，还是两者兼具，构建结构良好且估计准确的预测模型都是第一步。我们会介绍预测问题的基础知识，提供将预测方法与应用相关联的策略，并描述一些常用的预测方法。
通用的数据集包含N个观测值 $(y_i, x_i)$，其中 $i = 1, … , N$。这些观测值来自未知的过程、生成机制或概率分布。特征 $x_i$（通常称为协变量、自变量或输入）可能是一个包含连续、有序和名义值的向量。我们要构建预测模型 $f(x)$，使其能根据特征预测结果 $y_i$（也称为响应、输出或目标）。
2. 引导示例
为解释概念和技术，主要关注三个示例，应用通常聚焦于公共政策问题，但这些方法也适用于科学领域的问题。
- 回归：中风康复成本 ：回归问题涉及连续结果的预测。1997年，《平衡预算法案》要求医疗保险和医疗补助服务中心（CMS）为住院康复设施制定前瞻性支付系统，该系统需确定如何将43亿美元预算分配给为医疗保险覆盖人群提供护理的机构。开发过程包括构建一个成本模型，根据患者特
订阅专栏 解锁全文
179
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
