Estimando o desempenho preditivo de modelos espaciais por meio de validação cruzada espacial k-fold

Na aprendizagem de máquina, muitas vezes assume-se que os dados são independentes ao avaliar o desempenho do modelo. No entanto, isso raramente é verdade na prática. Conjuntos de dados de informação geográfica são um exemplo onde os pontos de dados têm dependências mais fortes entre si quanto mais próximos estão geograficamente. Esse fenômeno, conhecido como autocorrelação espacial (SAC), faz com que os métodos padrão de validação cruzada (CV) produzam estimativas de desempenho preditivo otimisticamente tendenciosas para modelos espaciais, o que pode resultar em custos e acidentes aumentados em aplicações práticas. Para superar esse problema, propomos uma versão modificada do método CV chamada validação cruzada espacial k-fold (SKCV), que fornece uma estimativa útil para o desempenho preditivo do modelo sem viés otimista devido ao SAC. Testamos a SKCV com três casos do mundo real envolvendo dados naturais abertos, mostrando que as estimativas produzidas pelo CV comum são até 40% mais otimistas do que as da SKCV. Tanto casos de regressão quanto de classificação são considerados em nossos experimentos. Além disso, mostraremos como o método SKCV pode ser aplicado como um critério para selecionar a densidade de amostragem de dados para novas áreas de pesquisa.