mallivalintaa

Mallivalinta on tilastotieteessä ja koneoppimisessa käytetty prosessi, jossa valitaan joukosta ehdokkaita parhaiten dataan soveltuva malli. Tavoitteena voi olla ennustetarkkuus, tulkittavuus tai molempien tasapainon saavuttaminen. Mallin valinta kohtaa usein kompromissin mallin monimutkaisuuden ja sen soveltuvuuden välillä: liian yksinkertainen malli voi alikäyttää dataa, kun taas liian monimutkainen malli voi ylikouluttaa ja heikentää yleistyvyyttä.

Yleisimmät valintamenetelmät jakautuvat seuraaviin ryhmiin. Likelihood- tai nested-mallien testauksessa vertaillaan malleja, joiden mittausmalli on samaan datakokonaisuuteen perustuva, esimerkiksi likelihood-ratio-testin avulla. Tiedonkatselmointikriteereitä kuten AIC (Akaiken informaatiokriteeri) ja BIC (Bayesian information criterion) käytetään vertailemaan mallien sovitusta ottaen huomioon mallin monimutkaisuuden. Pienen otoksen tapauksessa voidaan käyttää AIC:n korjattua versiota (AICc). Toteutuksessa yleisiksi vaihtoehdoiksi nousevat myös ristiinkäsittely (cross-validation) sekä hold-out-testaukset, joiden avulla arvioidaan mallin ennustavaa suorituskykyä uusilla data-eroilla. Lisäksi säännöllistäminen (regularisaatio) kuten Lasso tai Elastic Net toimii käytännössä sisäisenä mallin valintana vähentäen turhaa monimutkaisuutta.

Käytännön valintaan vaikuttavat tavoite (ennustaminen vs. tulkinta), datan määrä ja laatu sekä laskennalliset resurssit. Mallivalinta ei takaa yhtä universaalia parasta mallia; kysymys on valinnan perusteista, tiedosta ja tarkoituksesta.