kandidatmodeller

Kandidatmodeller är en samling av potentiella modeller som övervägs när man bygger en statistisk eller maskininlärningsbaserad modell. Begreppet betonar att det finns flera möjliga strukturer, variabler eller algoritmer som kan förklara data, och att valet av slutlig modell baseras på hur väl varje kandidat presterar enligt ett definierat kriterium.

Generation och olika sätt att skapa kandidater varierar. Man kan jämföra olika uppsättningar av förklarande variabler i en regression, använda olika modellklasser (till exempel linjära modeller, träd, neurala nätverk) eller testa olika hyperparametrar och regulariseringstekniker. Ofta används domänkunskap för att begränsa antalet kandidater eller för att vägleda urvalet, ibland kompletterat med automatiska sökmetoder.

Utvärdering och urval av kandidater bygger på upprepade mätningar av modellernas prestanda. Vanliga metoder är korsvalidering eller bootstrap för att bedöma generalisering till ny data. Urvalskriterier inkluderar prediktiv noggrannhet, informationskriterier som AIC eller BIC, justerad förklaringsgrad, eller log-likelihood. Ibland används parsimoni som ett krav, så att enklare modeller föredras om de presterar likvärdigt. I vissa fall används modellmedelvärde eller ensemblemetoder istället för att välja en enda kandidatmodell.

Relationen till praktiken är att kandidatmodeller utgör ett standardsteg i modellbyggnad. De hjälper till att strukturera och dokumentera alternativen innan ett beslut fattas och uppmärksammar risker som överanpassning och urvalsbias.