Global sensitivity analysis

[antilamer]

Тоже тут напишу.

http://www.amazon.com/Global-Sensitivity-Analysis-The-Primer/dp/0470059974 и моя рецензия на неё

Comments

[p2004r]

мне всегда представлялось что "когда окончательно выяснилось что мы облажались с идентификацией данной системы" то прибегают к глубокомысленному исследовании "чувствительности параметров" :)

... но признаю что возможно в этом всём есть некий глубокий смысл, раз написана целая книга.

[antilamer]

Там много примеров решения интересных практических задач, очень далёких от просто "глубокомысленного исследования чувствительности параметров". Стоит прочитать, тем более действительно читается очень быстро; я за несколько дней проглотил.

[ushastyi]

Прости, но по описанию смахивает на фигню. Если только речь о том, как уменьшить этот самый сэмплинг. В общем случае оценки объема тестовой выборки (и зависимости того, что можно сказать по выборке заданного объема) давным давно известны, зависят, скажем, от коэффициента Липшица функции модели, если его можно посчитать. А для линейных моделей и того проще. Ну и есть еще и теория устойчивости.

Не пойми меня не правильно, мне кажется, работать с моделями с 1000 параметров, используя методы книжки "для чайников" -- это обманывать себя и начальство.

[antilamer]

Нет, речь совсем не только об уменьшении сэмплинга; пост вроде бы этого и не утверждает.. Я уже засыпаю и отвечу коротко, списком ключевых слов про другие интересные методы - elementary effects method, low discrepancy sequences, и вообще variance-based sensitivity analysis. Погугли про них и посмотри table of contents... видимо, я плохо описал.

Книжка не для чайников - просто так уж получается, что для использования описанных там методов достаточно базовых знаний; а книжка сугубо практическая и доказательств содержит мало.

Я вообще стал её читать, т.к. задался вопросом "как вообще что-то сделать, например, с датасетом всех mapreduce джоб в гугле за последний месяц" - в этом датасете куча значимых переменных (минимум десяток-другой), они очень разнородны и очень взаимозависимы. Кажется, свет забрезжил.

[ushastyi]

Ок, убедил, куплю и потом скажу свое мнение.

Я занимался в аспирантуре многокритериальной оптимизацией, поэтому немного представляю эту тему. Кстати, если в твоем датасете есть выходные характеристики, для которых можно сформулировать направление оптимизации (типа, это надо больше, это меньше), то смотреть надо не на все, а только на паретовскую границу множества достижимости. Сильно упрощает.

[alexander_mikh]

как бы да, я как то не нашел в table of contents знакомых слов Pareto front optimisation. Для оптимизации многомодальных функций достаточно типично строить Pareto front и даже concave или convex форма позволяет уже принимать решения о зависимости параметров.
А книжка что то дорогая.