mallinnusvaihtoehtoja

Mallinnusvaihtoehtoja tarkoittaa erilaisten menetelmien ja lähestymistapojen valikoimaa, joilla ilmiö voidaan kuvata ja ennustaa. Niiden tarkoituksena on ymmärtää järjestelmän toimintaa sekä tuottaa luotettavia ennusteita ottaen huomioon epävarmuuden. Mallinnusvaihtoehtoja voidaan lähestyä mekanististen ja teoreettisten rakenteiden sekä datavetoisten menetelmien kautta, ja niitä voidaan käyttää yksittäin tai yhdistellen.

Mekaaniset tai mekanistiset mallit kuvaavat järjestelmän kuvattavissa olevia rakenteellisia suhteita esimerkiksi fysiikan, kemian tai biotieteiden periaatteiden avulla. Tilastolliset ja ekonometriset mallit sen sijaan hyödyntävät havainnoituja datajoukkoja ja tilastollisia ominaisuuksia ilman, että ne vaativat täydellistä tuntemusta mekanismista. Dataan perustuvat mallit, kuten koneoppimismallit, etsivät kuvioita suuresta määrästä dataa ja voivat olla sekä parametristen että epäparametristen lähestymistapojen piirissä. Hybridimallit yhdistävät mekanistista tietoa ja datasta oppimista.

Valintaa ohjaavat useat tekijät, kuten datan määrä ja laatu, haluttu tulkittavuus, tarvittava ennustetarkkuus sekä kyky arvioida epävarmuutta ja käytettävissä olevat laskentaresurssit. Esimerkkejä yleisistä vaihtoehdoista ovat lineaariset ja generalized linear mallit, päätöspuut sekä boosting-, neuroverkko- ja bayeslaiset mallit, sekä state-space- ja agenttipohjaiset järjestelmämallit. Usein paras ratkaisu saadaan vertaamalla useampaa vaihtoehtoa ja arvioimalla niitä sopivuuden mukaan kontekstissa.