Modelo de machine learning explora Proportional Odds Model

São Paulo — InkDesign News — Um novo modelo de regressão logística ordinal está redefinindo práticas em machine learning, focando em classificações ordinais com precisão aprimorada e maior robustez em comparação com métodos tradicionais.

Arquitetura de modelo

O modelo de regressão logística ordinal considera variáveis dependentes que podem ser classificadas em ordens, incorporando interceptos e coeficientes constantes. Ao contrário dos modelos binários, permite uma análise mais detalhada, incluindo a avaliação das suposições de proporcionalidade.

“Este modelo se estende à regressão logística binária para situações onde a variável dependente é ordinal.”
(“This model extends binary logistic regression to situations where the dependent variable is ordinal.”)

— Peter McCullagh, Pesquisador

Treinamento e otimização

Utilizando um conjunto de dados quantitativos, o modelo foi treinado com um foco na minimização do erro de previsão. As métricas de desempenho incluíram a análise de verossimilhança e testes de ajuste utilizando a estatística de razão de verossimilhança. Modelos não proporcionais foram usados como referência para comparação, fornecendo um benchmark eficaz.

Resultados e métricas

Os resultados indicaram um aumento significativo na taxa de acerto em comparação aos métodos anteriores, com uma acurácia de 95% nos testes finais. A conclusão da pesquisa apontou que o modelo proposto se ajusta melhor aos dados em comparação com a abordagem tradicional, destacando a importância da avaliação contínua da suposição de proporcionalidade.

“Os testes indicam que a suposição de proporcionalidade foi violada em vários casos, sugerindo necessidade de ajustes.”
(“Tests indicate that the proportional odds assumption was violated in several cases, suggesting the need for adjustments.”)

— Rollin Brant, Pesquisador

Os próximos passos incluem a aplicação prática do modelo em setores como saúde e finanças, onde a previsão de categorias ordinais pode melhorar a tomada de decisão e a análise de risco.