วิธีการหนึ่งที่คุณสามารถทำได้สำหรับเกือบทุกรูปแบบการทำนายคือการฝึกอบรมโมเดลของคุณก่อนและค้นหาความแม่นยำจากนั้นสำหรับอินพุตหนึ่งจะเพิ่มเสียงรบกวนและตรวจสอบความถูกต้องอีกครั้ง ทำซ้ำสิ่งนี้สำหรับแต่ละอินพุตและสังเกตว่าเสียงรบกวนการคาดการณ์แย่ลงอย่างไร หากอินพุตเป็นสิ่งสำคัญความไม่แน่นอนที่เพิ่มขึ้นเนื่องจากสัญญาณรบกวนจะเป็นอันตราย
โปรดจำไว้ว่าตั้งค่าความแปรปรวนของเสียงให้เป็นสัดส่วนกับความแปรปรวนของอินพุตที่เป็นปัญหา
แน่นอนว่าเสียงรบกวนนั้นเป็นแบบสุ่มและคุณไม่ต้องการให้อินพุตหนึ่งรายการไม่สำคัญเนื่องจากเอฟเฟกต์แบบสุ่ม หากคุณมีตัวอย่างการฝึกอบรมน้อยให้พิจารณาการคำนวณการเปลี่ยนแปลงความถูกต้องซ้ำ ๆ สำหรับตัวอย่างการฝึกอบรมแต่ละครั้งด้วยเสียงใหม่ที่เพิ่มเข้ามาในแต่ละครั้ง
เพื่อตอบสนองต่อความคิดเห็น:
การวิเคราะห์นี้สามารถทำได้โดยการลบตัวแปรทั้งหมด แต่มีข้อเสียบางอย่างเมื่อเทียบกับการเพิ่มเสียงรบกวน
สมมติว่าอินพุตของคุณหนึ่งค่าคงที่มันทำหน้าที่เหมือนคำอคติดังนั้นจึงมีบทบาทในการทำนาย แต่จะไม่มีการเพิ่มข้อมูลใด ๆ หากคุณลบอินพุตนี้โดยสิ้นเชิงการคาดคะเนจะแม่นยำน้อยลงเพราะ Perceptrons จะได้รับอคติที่ไม่ถูกต้อง สิ่งนี้ทำให้อินพุตดูเหมือนเป็นสิ่งสำคัญสำหรับการคาดการณ์แม้ว่าจะไม่มีการเพิ่มข้อมูลก็ตาม การเพิ่มเสียงรบกวนจะไม่ทำให้เกิดปัญหานี้ จุดแรกนี้ไม่ใช่ปัญหาถ้าคุณปรับมาตรฐานอินพุตทั้งหมดให้มีค่าเฉลี่ยเป็นศูนย์
หากสองอินพุตมีความสัมพันธ์ดังนั้นข้อมูลเกี่ยวกับอินพุตหนึ่งจะให้ข้อมูลเกี่ยวกับอีกอินพุตหนึ่ง แบบจำลองสามารถได้รับการฝึกอบรมอย่างดีหากคุณใช้เพียงหนึ่งอินพุตที่สัมพันธ์กันดังนั้นคุณจึงต้องการการวิเคราะห์เพื่อค้นหาว่าอินพุตหนึ่งรายการไม่มีประโยชน์ หากคุณเพิ่งลบหนึ่งในอินพุตเช่นเดียวกับที่จุดแรกทำความแม่นยำในการทำนายจะลดลงมากซึ่งบ่งชี้ว่ามันเป็นสิ่งสำคัญ อย่างไรก็ตามการเพิ่มเสียงรบกวนจะไม่ทำให้เกิดปัญหานี้