modelkeuze

Modelkeuze verwijst naar het proces waarbij uit verschillende kandidaatmodellen een definitieve keuze wordt gemaakt voor predictie of verklaringen. Het doel is een model te selecteren dat nauwkeurige voorspellingen levert, generaliseert naar nieuwe data en passend is bij de context, rekening houdend met factoren zoals interpretatie, kosten en risico’s.

Bij modelkeuze worden vaak verschillende criteria en methoden toegepast. Belangrijke criteria zijn voorspellende nauwkeurigheid, generalisatievermogen, de bias-variance afweging, modelcomplexiteit en interpretatie. Praktische methoden omvatten train-test splitsing of cross-validatie, evenals informatiecriteria zoals AIC of BIC, likelihood-ratio tests en Bayes-factoren. Bootstrapping kan worden gebruikt om onzekerheid in schattingen te kwantificeren. Daarnaast spelen data-eigenschappen zoals sample size, ruis en ontbrekende waarden een rol, evenals vereisten op gebied van rekenkosten en transparantie.

Het proces omvat doorgaans het definiëren van doel en succescriteria, verzamelen en Voorbereiden van data, selecteren van kandidaatmodellen, trainen en evalueren op onafhankelijke data, en het vergelijken van prestaties en robuustheid om uiteindelijk een model te kiezen. Belangrijke aandachtspunten zijn het voorkomen van datalekkage, overfitting en onderfitting, de veralgemeningscapaciteit en mogelijke ethische of interpretatieve implicaties. Afhankelijk van de situatie kan ook modelcombinatie of modelgemiddelde (ensembles) aantrekkelijk zijn, zeker wanneer geen enkel model duidelijk de beste prestaties levert. Modelkeuze is een afgewogen beslissing die expliciet moet worden verantwoord.