Calibración de modelos de estimación paramétrica - inteligenciaes

Calibración de modelos de estimación paramétrica

Los modelos de estimación paramétrica expresan la salida como una función de la entrada, por lo que, por ejemplo, expresar el costo de emprender un proyecto cuando se expresa como una función de varias variables es un ejemplo de un modelo de estimación que usa parámetros. Dichos modelos utilizan datos de alguna fuente para generar los coeficientes. Si tales modelos se usan para predecir la variable de salida en cuestión usando una ecuación lineal/no lineal, entonces los datos usados ​​para entrenar el modelo de estimación para generar los coeficientes dependen de algunas condiciones que deben recalibrarse durante otras condiciones.

Los modelos de estimación paramétrica pueden usar regresión, que no es más que el método de mínimos cuadrados para estimar, por ejemplo, costo del proyecto = función (complejidad, número de recursos, tamaño del proyecto), etc. Los datos utilizados para llegar a los coeficientes utilizados en la función son específico a ciertas condiciones, por lo que la ecuación Costo del proyecto = función (complejidad, cantidad de recursos, tamaño del proyecto) no será válida en todas las condiciones que no sean condiciones similares que se usan para entrenar los datos. En otro ejemplo, los profesionales de la estimación usan COCOMO, que es un modelo en el que el esfuerzo del proyecto de desarrollo de software se expresa en función de varias variables, como la complejidad, el tamaño del proyecto, el nivel de habilidad de los recursos, etc., pero este modelo se entrena utilizando datos obtenidos de proyectos de software realizados en la NASA. El mismo modelo puede no ser válido si se utiliza para estimar proyectos realizados en una planta de fabricación o en un centro de desarrollo en alta mar en la India.

Lee mas  Las mejores universidades de Pakistán

La validez de los resultados previstos por tales modelos debe ser contraverificada mediante la recopilación de datos específicos del contexto del proyecto. En el caso de datos sensibles al contexto, se deben recopilar datos del proyecto que estén actualizados y que sean exhaustivos y cubran el ancho del proyecto en todos los aspectos y escenarios. Una vez más, esto se reduce a generar ecuaciones de regresión/modelos de aprendizaje automático que predicen la salida a partir de la entrada.

Entonces surge la pregunta de si dichos modelos de estimación empaquetados (COCOMO, SLIM, etc.) utilizados en la industria pueden usarse en una organización sin recalibrar los coeficientes utilizados en los modelos para predecir la salida de las variables de entrada. La respuesta es no.

Si una organización decide usar estos modelos, es mejor usar datos sensibles al contexto y usar regresión estadística o, como alternativa, recalibrar los coeficientes usados ​​en estos modelos empaquetados usando datos sensibles al contexto.

Leave a Comment