Расстояние Кука

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Строка 18: Строка 18:
<tex>p</tex> - количество параметров модели
<tex>p</tex> - количество параметров модели
-
<tex>\mathrm{MSE}<\tex> - средне-квадратичная ошибка модели
+
<tex> \mathrm{MSE} </tex> - средне-квадратичная ошибка модели

Версия 12:40, 6 декабря 2013

Расстояние Кука (Cook's distance) является широко используемым методом оценки влияния соответствующего наблюдения (элемента выборки) на уравнение регрессии. Эта величина показывает разницу между вычисленными коэффициентами уравнения регрессии и значениями, которые получились бы при исключении соответствующего наблюдения. В адекватной модели все расстояния Кука должны быть примерно одинаковыми; если это не так, то имеются основания считать, что соответствующее наблюдение (или наблюдения) смещает оценки коэффициентов регрессии.

Метод назван в честь американского статистика Р. Денниса Кука , который ввел данное понятие в 1977 году.

Определение

Расстояние Кука оценивает эффект от удаления одного (рассматриваемого) наблюдения и вычисляется по следующей формуле:


 D_i =  \frac{ \sum_{j=1}^n (\hat Y_j\ - \hat Y_{j(i)})^2 }{p \ \mathrm{MSE}}

где,

\hat Y_j - предсказание регрессионной модели, построенной по всей выборке, получаемое для j-ого наблюдения;

\hat Y_{j(i)} - предсказание регрессионной модели, построенной по выборке без i-ого наблюдения, получаемое для j-ого наблюдения;

p - количество параметров модели

 \mathrm{MSE} - средне-квадратичная ошибка модели


Замечания

Личные инструменты