Baselinemodellen

Baselinemodellen zijn eenvoudige voorspellende modellen die dienen als referentiepunt bij het evalueren van complexere modellen. Ze geven een basisniveau van prestaties en helpen bepalen of een gevorderde methode daadwerkelijk toegevoegde waarde biedt. In machine learning en tijdreeksenanalyse worden baselines vaak toegepast als een eenvoudige, reproduceerbare uitgangssituatie waarmee robuuste evaluaties kunnen worden uitgevoerd.

Voor regressie kan een baseline bestaan uit het voorspellen van het gemiddelde van de trainingsset of het voortzetten van de laatste waarneming (persistente voorspelling). Voor tijdreeksen zijn naïeve baselines populair, zoals de voorspelling van dezelfde waarde in de voorgaande periode of een seizoensgebonden naïeve voorspelling. Voor classificatie kan de baseline bestaan uit het altijd voorspellen van de meerderheidsklasse, of een eenvoudige heuristiek gebaseerd op de trainingsverdeling.

Baselines worden op dezelfde gegevensset geëvalueerd als de te beoordelen modellen, bij voorkeur op een afgescheiden validatie- of testset. De belangrijkste maatstaf hangt af van de taak: RMSE of MAE voor regressie; nauwkeurigheid, precisie, recall of F1 voor classificatie. Het verschil tussen baseline- en gevorderde modellen geeft aan of de extra complexiteit gerechtvaardigd is.

Beperkingen van baselines zijn onder meer overmatige simplistischheid en afhankelijkheden van de domeindata. Het is belangrijk om transparant te zijn over welke baseline wordt gebruikt en waarom, en om meerdere baselines te overwegen. Baselinemodellen dienen als simpel uitgangspunt voor verbetering en niet als einddoel.