Cualquiera podría estar perfectamente bien dependiendo de su función de pérdida. Te estás refiriendo a lo anterior pero realmente no lo has especificado, lo que me hace pensar que necesitas regresar y repensar el problema. Además, el promedio simple (solución media exacta como la llama) ignora el punto 50, que según usted es la respuesta correcta. Entonces eso no se está incorporando en su pérdida.
Ejemplo:
Pérdida absoluta: [matemáticas] d_ {abs} (x) = – | x – 50 | [/ matemáticas]
Pérdida al cuadrado: [matemáticas] d_ {abs} (x) = – (x – 50) ^ 2 [/ matemáticas]
Ambas son pérdidas simétricas en el sentido de que las desviaciones de 50 (la respuesta correcta) se penalizan por la misma cantidad, lo que significa que 40 y 60 son equivalentes en cada pérdida, pero la pérdida al cuadrado penalizaría 40 y 60 más que la pérdida absoluta.
- Resistente rompecabezas Rebus | Genius Puzzles, ¿qué significa este acertijo?
- Rompecabezas y preguntas capciosas: ¿Cómo pueden dos personas incapaces de comunicarse coordinar su movimiento a través de estas tres salas?
- ¿Cuál es el modelo de negocio de Penny Press?
- ¿Es finito el número de rompecabezas únicos de sudoku que se pueden resolver?
- ¿Cómo puedo aprender Sudoku?
Digamos, sin embargo, que las desviaciones por debajo de 50 no son importantes, pero las desviaciones por encima de 50 sí lo son. Entonces es posible que desee una función de pérdida como esta:
[math] d_ {asym} (x) = – | x – 50 | [/ math] si [math] x> 50 [/ math] y 0 en caso contrario.
Las pérdidas asimétricas no se usan a menudo en la mayoría de los problemas (explícitamente de todos modos) pero eso no significa que no puedan o no deberían serlo. Sin embargo, implican realmente pensar en los problemas de una manera que muchas personas no suelen hacer. (Las pérdidas asimétricas están enterradas en muchos problemas. Por ejemplo, la probabilidad binomial es asimétrica y están perfectamente incorporadas en la estimación de regresión cuantil.) Probablemente me sentiría incómodo con la pérdida asimétrica absoluta en muchos casos debido al hecho de que no es suave, pero representa una solución razonable de primer corte para el problema en muchos casos.