J’essaie de développer un outil que j’appelle Blend Search. Il fonctionne OK, mais j’imagine une amélioration que je ne sais pas encore réaliser techniquement..
Ce que fait Blend Search :
>> input est une collection de composants avec leurs propriétés
>> génération d’une matrice de compositions
>> application de heuristics (modèles simples) pour calculer les propriétés des blends
>> application d’un modèle plus complexe, actuellement un Boosted Tree. Ses prédicteurs sont les propriétés de blends estimées par les heuristics et sa output est aussi une propriété du mélange
J’ai fait une visualisation de Boosted Tree (voir dans la vidéo jointe)
L’un des prédicteurs (Predictor 3) constitue déjà une première estimation de ma propriété cible (Predicted). Dans mon idée initiale, les 2 autres prédicteurs devaient servir à corriger cette première estimation. Aujourd’hui, le modèle fournit des prédictions cohérentes, on sort rarement de la zone de prédiction.
Mais en réalité je ne corrige pas ma première estimation, je corrige la moyenne des Y du training set (l’intercept du Boosted Tree par défaut). Si je veux scale up mon Blend Search, cette approche ne soit plus plus suffisamment robuste.
Je voudrais pouvoir prédire en corrigeant ma première estimation. Par exemple j'aurais bien aimé avoir un sort d'intercept variable pour mon Boosted Tree. Je n’arrive pas à imaginer la bonne solution, mais je suis presque sûre qu’il existe déjà des techniques. Si vous avez des idées, je serais très heureuse d’avoir vos avis
