예측 모델링-혼합 모델링에 관심을 가져야합니까?

예측 모델링의 경우 무작위 효과 및 비 독립적 관측치 (반복 측정)와 같은 통계 개념에 관심을 가져야합니까? 예를 들어 ...

다양한 속성과 구매 플래그가있는 5 개의 DM 캠페인 (1 년 동안 발생) 데이터가 있습니다. 이상적으로는이 모든 데이터를 결합하여 캠페인 당시 고객 속성이 지정된 구매 모델을 구축하는 것이 이상적입니다. 구매 이벤트가 드물기 때문에 가능한 한 많은 정보를 사용하고 싶습니다. 특정 고객이 캠페인의 1 ~ 5 개 위치에있을 가능성이 있습니다. 즉, 레코드간에 독립성이 없습니다.

다음을 사용할 때 중요합니까?

1) 기계 학습 접근법 (예 : 트리, MLP, SVM)

2) 통계적 접근 (로지스틱 회귀)?

**ADD:**

예측 모델링에 대한 나의 생각은 모델이 작동하면 사용하는 것입니다. 그래서 나는 가정의 중요성을 결코 고려하지 않았습니다. 위에서 설명한 사건에 대해 생각하면 궁금합니다.

와 같은 머신 러닝 알고리즘을 사용하십시오 MLP and SVM. 이들은 위의 예제와 같은 이진 이벤트뿐만 아니라 명확하게 상관 된 시계열 데이터를 모델링하는 데 성공적으로 사용됩니다. 그러나 많은 사람들이 오류가 iid라고 가정하고 유추 될 가능성이있는 손실 함수를 사용합니다. 예를 들어, R의 그래디언트 부스트 트리는 gbm이항에서 파생 된 이탈 손실 기능을 사용합니다 ( 10 페이지 ).

나는 이것을 스스로 궁금해 했으며 여기에 잠정적 인 결론이 있습니다. 누구나 자신의 지식 과이 주제에 대한 참조로 이것을 보완 / 수정할 수 있다면 기쁠 것입니다.

통계적 유의성을 확인하여 로지스틱 회귀 계수에 대한 가설을 테스트하려면 관측 간 상관 관계를 모델링해야합니다 (그렇지 않은 경우 독립성에 대해서는 올바른 경우). 클러스터 효과. 그러나 회귀 계수는 상관 된 관측 값으로도 편향되지 않으므로 예측에 이러한 모델을 사용하는 것이 좋습니다.

예측 모델링에서는 로지스틱 회귀 분석을 사용하든 다른 접근 방식을 사용하든 모델 학습시 상관 관계를 명시 적으로 설명 할 필요가 없습니다. 그러나 표본 외 오차의 검증 또는 계산에 홀드 아웃 세트를 사용하려는 경우 각 개인에 대한 관측치가 훈련 또는 검증 중 하나의 세트에만 나타나고 둘 다가 아닌지 확인해야합니다. 그렇지 않으면 모델은 이미 일부 정보를 가지고있는 개인을 예측할 것이며 표본 외부 분류 능력에 대한 정확한 정보를 얻지 못하고 있습니다.