我想计算样本外测试集预测中机器学习回归的RMSE的置信区间。
我的列车是样本的前80％，“样本外”测试集是样本的最后20％。我将测试集预测的RMSE视为样本外性能，并希望计算此RMSE的CI。
我的一个想法是在前80％中重新采样火车组，但每次迭代使用相同的测试集。这似乎代表了跨越不同可能的训练场景的测试集上的RMSE的CI。但是，它不会考虑测试集中可能的变化。
这种方法是否合理？有没有更好的方法来解决我的问题？谢谢！
答案 0 :(得分：0)
您是否有理由将测试集修复为精确的观察样本？
一种方法是重复将数据集拆分为您当前使用的80-20比例的训练和测试集。在每次随机（更换）拆分后，照常进行。也就是说，训练您的模型，然后计算测试数据的RMSE。例如，您可以执行此表单的10,000个引导，保存关联的RMSE值，并计算这些值的置信区间。
参见，例如Hastie et al的第5章。