Bayesian leave-one-out cross-validation for large data

Måns Magnusson, Michael Andersen, Johan Jonasson, Aki Vehtari

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

15 Lataukset (Pure)

Abstrakti

Model inference, such as model comparison, model checking, and model selection, is an important part of model development. Leave-one-out cross-validation (LOO) is a general approach for assessing the generalizability of a model, but unfortunately, LOO does not scale well to large datasets. We propose a combination of using approximate inference techniques and probability-proportional-to-size-sampling (PPS) for fast LOO model evaluation for large datasets. We provide both theoretical and empirical results showing good properties for large data.
AlkuperäiskieliEnglanti
Otsikko36th International Conference on Machine Learning, ICML 2019
Sivumäärä10
ISBN (elektroninen)9781510886988
TilaJulkaistu - 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaInternational Conference on Machine Learning - Long Beach, Yhdysvallat
Kesto: 9 kesäkuuta 201915 kesäkuuta 2019
Konferenssinumero: 36

Julkaisusarja

NimiProceedings of Machine Learning Research
KustantajaPMLR
Vuosikerta97
ISSN (elektroninen)4244-4253

Conference

ConferenceInternational Conference on Machine Learning
LyhennettäICML
MaaYhdysvallat
KaupunkiLong Beach
Ajanjakso09/06/201915/06/2019

Sormenjälki Sukella tutkimusaiheisiin 'Bayesian leave-one-out cross-validation for large data'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä