Using parameter space partitioning to evaluate a model’s qualitative fit
Using parameter space partitioning to evaluate a model’s qualitative fit
复制标题
使用参数空间划分来评估模型的定性拟合
DOI：
10.3758/s13423-016-1123-5
复制
发表时间：
2016
影响因子：
3.5
通讯作者：
Wolf Vanpaemel
中科院分区：
文献类型：
--
作者：
S. Steegen;F. Tuerlinckx;Wolf Vanpaemel
参数空间划分（PSP）是一种通用的模型分析工具，它可以检测模型可以生成的定性独特的数据模式，并将模型的参数空间划分为与这些模式相对应的区域。在本文中，我们提出了一个PSP拟合测度，它将PSP分析的结果总结为一个数字，可用于模型选择。与传统的模型选择方法相比，基于PSP的模型选择侧重于定性数据。我们展示了PSP为基础的模型选择使用的应用程序的例子在该领域的类别学习。一个大规模的模型恢复研究显示出良好的恢复性能，这表明PSP拟合是有用的模型选择。
Parameter space partitioning (PSP) is a versatile tool for model analysis that detects the qualitatively distinctive data patterns a model can generate, and partitions a model’s parameter space into regions corresponding to these patterns. In this paper, we propose a PSP fit measure that summarizes the outcome of a PSP analysis into a single number, which can be used for model selection. In contrast to traditional model selection methods, PSP-based model selection focuses on qualitative data. We demonstrate PSP-based model selection by use of application examples in the area of category learning. A large-scale model recovery study reveals excellent recovery properties, suggesting that PSP fit is useful for model selection.
影响因子：
4.1
作者：
NOSOFSKY, RM
通讯作者：
NOSOFSKY, RM
影响因子：
7
作者：
Vrieze, Scott I.
通讯作者：
Vrieze, Scott I.