.png){kind=icon}
返回
Fitting Graphs: A Visual Framework for Transparent and Robust Machine Learning Model Selection
.png){kind=icon}
OA
AI
DOI：10.1080/08839514.2026.2678638.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
模型开发者通常依赖交叉验证（CV）来估计模型性能，但CV——即使重复多次——也可能产生高度可变且难以解释的结果。本文介绍了拟合图（fitting graph），一种信息可视化方法，帮助开发者评估模型性能、选择正则化参数并评估模型鲁棒性。拟合图绘制了正则化参数（λ）与均方误差（MSE）在多次CV重复中的关系，并使用平滑样条估计潜在曲线。在多个数据集（包括Baseball、Boston Housing和Parkinson’s数据集）上的实验表明，拟合图提供了模型性能行为随λ值变化的透明可视化摘要。样条估计曲线即使仅进行少量CV重复也能可靠地识别近最优λ值，显著降低计算成本。一个使用故意不稳定的回归模型的案例研究进一步表明，拟合图可以识别性能稳定区域，而标准CV往往无法做到这一点。结果表明，拟合图为透明且鲁棒的模型开发和选择提供了一种简单有效的可视化诊断方法。