Modele plis
Je suis un étudiant en économie à l`Université de São Paulo et je suis des recherches sur backtesting, test de stress et modèles de validation au risque de crédit. Ainsi, pourriez-vous m`aider à répondre à quelques questions? Je recherche comment créer une bonne procédure pour valider les modèles de prédiction qui tente de prévoir le comportement par défaut des agents. Par conséquent, supposons un modèle logit log-Odds de probabilité par défaut qui utilise certaines variables explicatives comme le PIB, les taux d`intérêt officiels, etc. Afin de l`évaluer, je calcule la stabilité et le backtesting, en utilisant une partie de mes données non utilisées dans l`estimation à cet effet. Dans le cas de backtesting, j`utilise une prévision, basée sur la régression des variables pertinentes à percevoir si mon modèle correspond à la prévision qui a un intervalle de confiance pour évaluer si elles sont dans ou hors. En outre, j`évalue le signal des paramètres pour vérifier si elle est arrache selon le sens économique. Après avoir lu certains articles, y compris votre publication ici et un Bâle («bonnes pratiques pour les modèles de risque de crédit de contrepartie backtesting»), j`ai quelques doutes. Voici un flux de travail rapide pour la modélisation des plis de bonne recherche dans le tissu. Il n`est pas facile de sculpter des plis de façon réaliste sans beaucoup de pratique, donc les plis de modélisation est encore une bonne technique. Vous pouvez utiliser la sculpture par la suite pour les lisser et ajouter quelques imperfections supplémentaires.
La conférence vidéo démontre l`utilisation de défauts de mousse pour démontrer des défauts, et un jeu de cartes pour démontrer les plis et les tissus dans les couches rocheuses. Les différents types de défauts sont les suivants: défauts normaux (extensifs); défauts d`inversion ou de Poussée (compression); et les défauts de frappe (cisaillement). Il s`agit d`une variante véritablement imbriquée (par exemple utilisée par [13]), qui contient une boucle externe de plis k et une boucle interne de l plis. Le jeu de données total est divisé en k ensembles. Un par un, un ensemble est sélectionné comme ensemble de test (externe) et les autres ensembles k-1 sont combinés dans le jeu d`entraînement externe correspondant. Ceci est répété pour chacun des ensembles de k. Chaque ensemble de formation externe est sous-divisé en l ensembles. Un par un, un ensemble est sélectionné comme test interne (validation) ensemble et le l-1 d`autres ensembles sont combinés dans le jeu de formation interne correspondant.
Ceci est répété pour chacun des jeux de l. Les ensembles de formation interne sont utilisés pour ajuster les paramètres du modèle, tandis que l`ensemble de test interne est utilisé comme un ensemble de validation pour fournir une évaluation impartiale de l`ajustement du modèle. En règle générale, cela est répété pour de nombreux hyperparamètres différents (ou même des types de modèles différents) et le jeu de validation est utilisé pour déterminer le meilleur jeu d`hyperparamètres (et le type de modèle) pour ce jeu de formation interne. Après cela, un nouveau modèle est adapté à l`ensemble de l`entraînement externe, en utilisant le meilleur ensemble d`hyperparamètres de la validation croisée interne. Les performances de ce modèle sont ensuite évaluées à l`aide de l`ensemble de test externe. La bibliothèque scikit-Learn fournit une suite d`implémentation de validation croisée. Vous pouvez voir la liste complète dans l`API de sélection de modèle. Le modèle a révélé que la géométrie du défaut affecterait la forme du pli. Par exemple, les failles de rampe droites qui inclineront vers le haut produiront des plis symétriques. Mais une faille listriques, qui est incurvée comme le côté d`un bol, rendra le pli asymétrique. Dans les deux cas, lorsque l`anticlinal se plie au fil du temps, il déforme la géométrie de la faille de sorte que le pli et le défaut se façonnent mutuellement.
Dans la validation croisée stratifiée de k-Fold, les plis sont sélectionnés de sorte que la valeur moyenne de réponse soit approximativement égale dans tous les plis. Dans le cas de la classification binaire, cela signifie que chaque pli contient approximativement les mêmes proportions des deux types d`étiquettes de classe. Cette approche consiste à diviser aléatoirement l`ensemble des observations en k groupes, ou plis, d`une taille approximativement égale. Le premier pli est traité comme un ensemble de validation, et la méthode est adaptée aux plis k − 1 restants. Enfin, l`auteur a utilisé son modèle pour aider à identifier ce qui pourrait être à l`origine des tremblements de terre des anticlines de la faute-Cored. Les résultats indiquent qu`à mesure que le pli grandit, l`endroit où naît un tremblement de terre évolue.