Según donde caiga tu residual en la "Eisenhower Matrix" (en A, B, C, D) puedes deducir si tu modelo tiene overfitting, si las muestras son anómalas pero interesantes para recalibrar, si las muestras que se deben descartar o repetir análisis bien de "Lab" o de "NIR",...., etc.
Que cantidad de muestras caen en los diferentes cuadrantes ¿muchas o pocas?. Este es otro indicativo que nos dirá que tal funciona la ecuación desarrollada. Por supuesto todos queremos que nuestras muestras caigan en el cuadrante "A" , pero todo dependerá del conjunto de calibración con el que hayamos desarrollado la ecuación, de si tenía la suficiente variabilidad para representar muestras futuras de rutina, de la robustez de la calibración, de si ha habido "overfitting" o "underfitting", de si el resultado de laboratorio es representativo de la muestra analizada (homogenización, cambios en la muestra,.....). No vale seleccionar las muestras anómalas y recalcular para obtener bonitos estadísticos. El informe de validación debe de indicar los anómalos encontrados y las posibles causas. Si se llega a la conclusión de que hay que omitir una muestra (Cuadrante D), lo haremos.
Mas información en "Learning Win ISI".
Que cantidad de muestras caen en los diferentes cuadrantes ¿muchas o pocas?. Este es otro indicativo que nos dirá que tal funciona la ecuación desarrollada. Por supuesto todos queremos que nuestras muestras caigan en el cuadrante "A" , pero todo dependerá del conjunto de calibración con el que hayamos desarrollado la ecuación, de si tenía la suficiente variabilidad para representar muestras futuras de rutina, de la robustez de la calibración, de si ha habido "overfitting" o "underfitting", de si el resultado de laboratorio es representativo de la muestra analizada (homogenización, cambios en la muestra,.....). No vale seleccionar las muestras anómalas y recalcular para obtener bonitos estadísticos. El informe de validación debe de indicar los anómalos encontrados y las posibles causas. Si se llega a la conclusión de que hay que omitir una muestra (Cuadrante D), lo haremos.
Mas información en "Learning Win ISI".
No hay comentarios:
Publicar un comentario