CoupDeGraceCoupDeGraceCoupDeGrace{"id":15316,"date":"2024-07-25T15:10:38","date_gmt":"2024-07-25T15:10:38","guid":{"rendered":"https:\/\/www.antiriciclaggioerisk.com\/?p=15316"},"modified":"2024-07-25T15:14:35","modified_gmt":"2024-07-25T15:14:35","slug":"errore-e-robustezza-metriche-in-sample-ed-out-of-sample","status":"publish","type":"post","link":"https:\/\/antiriciclaggioerisk.com\/?p=15316","title":{"rendered":"Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"15316\" class=\"elementor elementor-15316\">\n\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-6ae66f60 elementor-section-boxed elementor-section-gap-beside-yes elementor-section-height-default elementor-section-height-default elementor-section-column-vertical-align-stretch\" data-id=\"6ae66f60\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-extended\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-46e50c77\" data-id=\"46e50c77\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-448619bb elementor-widget elementor-widget-text-editor\" data-id=\"448619bb\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><em>A cura di Pier Giuseppe Giribone<\/em><\/p><p>Una delle primarie cause di fallimento del processo di generalizzazione \u00e8 l\u2019<strong>overfitting<\/strong>, concetto statistico ampiamente noto gi\u00e0 prima della grande diffusione delle metodologie di Machine Learning. L\u2019esempio seguente propone un criterio di misura della validit\u00e0 di un modello, ponendo il focus sulla suddivisione del dataset tra\u00a0<strong>train<\/strong>\u00a0e\u00a0<strong>test<\/strong>. Si consideri, a titolo di esempio, una regressione atta a rappresentare al meglio la legge che governa il processo descritto dai punti sperimentali riportati nella Figura 1.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e166f35 elementor-widget elementor-widget-spacer\" data-id=\"e166f35\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-cccb8b2 elementor-widget elementor-widget-image\" data-id=\"cccb8b2\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img fetchpriority=\"high\" decoding=\"async\" width=\"640\" height=\"426\" src=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura1-1024x682.png\" class=\"attachment-large size-large wp-image-15319\" alt=\"\" srcset=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura1-1024x682.png 1024w, https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura1-300x200.png 300w, https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura1-768x511.png 768w, https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura1-600x399.png 600w, https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura1.png 1080w\" sizes=\"(max-width: 640px) 100vw, 640px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fb50b58 elementor-widget elementor-widget-text-editor\" data-id=\"fb50b58\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-8c821e6 elementor-widget elementor-widget-text-editor\" data-id=\"8c821e6\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\"><div class=\"elementor-widget-container\"><p style=\"text-align: center;\"><em>Figura 1 \u2013 Modelli di regressione polinomiale a confronto<\/em><\/p><\/div><\/div><div class=\"elementor-element elementor-element-cb6eca6 elementor-widget elementor-widget-spacer\" data-id=\"cb6eca6\" data-element_type=\"widget\" data-widget_type=\"spacer.default\"><div class=\"elementor-widget-container\"><div class=\"elementor-spacer\" style=\"text-align: center;\">\u00a0<\/div><\/div><\/div>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-8b7f6cd elementor-widget elementor-widget-spacer\" data-id=\"8b7f6cd\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-65efef6 elementor-widget elementor-widget-text-editor\" data-id=\"65efef6\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Nella Figura 1 sono rappresentati 40 punti non descritti da una legge nota a priori. Il colore blu associato all\u2019intero dataset sta a significare che il 100% del campione verr\u00e0 impiegato per addestrare i modelli interpretativi.<\/p><p>In particolare vengono presi in considerazione tre modelli tradizionali di regressione polinomiale al fine di interpretare al meglio la legge che li ha generati:<\/p><p>\u2013 La linea blu \u00e8 ricavata da un modello lineare, caratterizzato da due parametri che devono essere stimati a partire dal dataset di training (i punti blu).<\/p><p>\u2013 La linea arancio \u00e8 generata da un modello quadratico, caratterizzato da tre parametri da stimare.<\/p><p>\u2013 la linea verde \u00e8 stata tracciata a partire dai risultati ottenuti da un modello polinomiale di cinquantesimo ordine e, conseguentemente, dotato di un elevatissimo numero di parametri.<\/p><p>Il modello rappresentato dalla linea verde \u00e8 intuitivamente caratterizzato da un problema di sovra-adattamento dei dati (overfitting), quello delle linea blu \u00e8 troppo povero in termini di adattamento ai dati (underfitting), mentre la linea arancione \u00e8 quella che anche visivamente meglio cattura l\u2019essenza della legge che ha generato i dati.<\/p><p>Il modello quadratico \u00e8 quindi quello che generalizza al meglio la relazione insita nei dati. Il vero quesito \u00e8 la modalit\u00e0 con la quale questa intuizione possa essere trasmessa ad un computer.<\/p><p>Un concetto chiave risiede nel definire una misura statistica che consenta di confrontare l\u2019<strong>errore\u00a0<\/strong>del modello con quello sperimentalmente osservato, ovvero una sorta di valutazione del gap interpretativo.<\/p><p>Tra le misure pi\u00f9 popolari utilizzabili per approcci regressivi se ne citano due, tra le pi\u00f9 utilizzate:<\/p><p>\u2013\u00a0<strong>Mean Absolute Error<\/strong>\u00a0(MAE): definita come la somma degli errori presa in valore assoluto divisa per il numero degli elementi presenti nel campione.<\/p><p>\u2013\u00a0<strong>Mean Squared Error<\/strong>\u00a0(MSE): definita come la media degli errori al quadrato.<\/p><p>Se applicassimo direttamente tale misure all\u2019intero batch di training, il miglior modello risulterebbe erroneamente quello in overfit, presentando il MAE e MSE pi\u00f9 basso rispetto agli altri approcci.<\/p><p><strong>Sample performance<\/strong><\/p><p>Modello underfit: MAE = 7.28, MSE = 75.99<\/p><p>Modello correct fit:\u00a0 MAE = 2.10, MSE = 6.72<\/p><p>Modello overfit:\u00a0 MAE = 0.35, MSE = 0.36<\/p><p>Tali verifiche statistiche, affinch\u00e8 evidenzino correttamente il miglior modello, \u00e8 necessario condurle su dei dati non considerati nel training set. Questa porzione di dati, non considerati dall\u2019algoritmo durante l\u2019addestramento viene definito come\u00a0<strong>test set<\/strong>.<\/p><p>La procedura proposta sarebbe quella di stimare il modello non per tutti i 40 dati sperimentali, ma escludere dal batch di training una porzione (ad esempio il 15%) sul quale stimare delle statistiche di performance\u00a0<strong>out-of-sample<\/strong>, maggiormente idonee a valutare la bont\u00e0 del nostro algoritmo.<\/p><p>Nella Figura 2 sono riportati in blu i dati scelti per addestrare i modelli, mentre in arancio i dati da usare come confronto. Lo splitting tra train e test deve essere condotto casualmente.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1840067 elementor-widget elementor-widget-spacer\" data-id=\"1840067\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-76b2c23 elementor-widget elementor-widget-image\" data-id=\"76b2c23\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"640\" height=\"426\" src=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura2.png\" class=\"attachment-large size-large wp-image-15320\" alt=\"\" srcset=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura2.png 1008w, https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura2-300x200.png 300w, https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura2-768x511.png 768w, https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Figura2-600x399.png 600w\" sizes=\"(max-width: 640px) 100vw, 640px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7cd8f8a elementor-widget elementor-widget-text-editor\" data-id=\"7cd8f8a\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-be27da2 elementor-widget elementor-widget-text-editor\" data-id=\"be27da2\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n<div class=\"elementor-widget-container\">\n<p style=\"text-align: center;\"><em>Figura 2 Train \u2013 test splitting<\/em><\/p>\n<\/div>\n<\/div>\n<div class=\"elementor-element elementor-element-ee4a54f elementor-widget elementor-widget-spacer\" data-id=\"ee4a54f\" data-element_type=\"widget\" data-widget_type=\"spacer.default\">\n<div class=\"elementor-widget-container\">\n<div class=\"elementor-spacer\" style=\"text-align: center;\"><br><\/div>\n<\/div>\n<\/div>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-4b0163d elementor-widget elementor-widget-text-editor\" data-id=\"4b0163d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"entry-content\"><div class=\"elementor elementor-15967\" data-elementor-type=\"wp-post\" data-elementor-id=\"15967\"><section class=\"elementor-section elementor-top-section elementor-element elementor-element-51785b6 elementor-section-boxed elementor-section-gap-beside-yes elementor-section-height-default elementor-section-height-default elementor-section-column-vertical-align-stretch\" data-id=\"51785b6\" data-element_type=\"section\"><div class=\"elementor-container elementor-column-gap-extended\"><div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-6aec499\" data-id=\"6aec499\" data-element_type=\"column\"><div class=\"elementor-widget-wrap elementor-element-populated\"><div class=\"elementor-element elementor-element-88f3426 elementor-widget elementor-widget-text-editor\" data-id=\"88f3426\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\"><div class=\"elementor-widget-container\"><p>Stimando con il nuovo dataset di training (punti blu della Figura 2) le performance dei tre modelli si ottengono risultati analoghi ai precedenti:<\/p><p><strong>In-Sample performance<\/strong><\/p><p>Modello underfit: MAE = 7.04, MSE = 71.28<\/p><p>Modello correct fit:\u00a0 MAE = 1.87, MSE = 5.77<\/p><p>Modello overfit:\u00a0 MAE = 0.0009, MSE = 0.000000172\u00a0<\/p><p>Addirittura il modello overfit ha praticamente le misure nulle di errore. Valutiamo ora le medesime metriche applicate ai punti presi come test.<\/p><p>Testando i modelli con i dati non considerati in fase di addestramento, l\u2019instabilit\u00e0 del modello in overfitting viene scoperta.<\/p><p><strong>Out-of-Sample performance<\/strong><\/p><p>Modello underfit: MAE = 8.56, MSE = 103.09<\/p><p>Modello correct fit:\u00a0 MAE = 3.31, MSE = 12.6<\/p><p>Modello overfit:\u00a0 MAE = 10e+9, MSE = 10e+16\u00a0<\/p><p>Riassumendo, le misure statistiche condotte su dati \u00abnuovi\u00bb permettono una misura esterna affidabile ed indipendente delle performance di un modello.<\/p><p>I modelli underfit sono caratterizzati da errori alti in-sample ed out-of-sample, i modelli overfit hanno errori estremamente bassi in-sample ed estremamente alti (o instabili) out-of-sample. I modelli corretti hanno buone e stabili performance per entrambi in-sample ed out-of-sample.<\/p><p>La sfida pertanto \u00e8 quella di trovare il numero di parametri che consenta un trade-off ottimale tra stabilit\u00e0 del modello e performance in-sample, ma soprattutto out-of-sample.<\/p><p>Nel caso della regressione polinomiale appena discussa, usando un polinomio di un grado molto prossimo al numero dei dati sperimentali si era certi nel riuscire a trovare una funzione che adattasse matematicamente perfettamente i punti.<\/p><p>Ma facendo in questo modo si era perso totalmente il concetto pi\u00f9 importante di un modello statistico, ovvero la\u00a0<strong>capacit\u00e0 di generalizzare<\/strong>. Il modello con l\u2019overfitting si \u00e8 rilevato instabile negli intorni dei punti sperimentali, aumentando di gran lunga l\u2019errore calcolato.<\/p><p>Il fenomeno dell\u2019<strong>overfitting<\/strong>, come appena dimostrato impiegando modelli econometrici classici, non \u00e8 nuovo nella statistica tradizionale, ma assume un ruolo davvero critico nel Machine Learning in generale e nelle reti neurali profonde in particolare, ovvero laddove il numero degli iperparametri del modello \u00e8 elevato.<\/p><\/div><\/div><\/div><\/div><\/div><\/section><\/div><\/div>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>A cura di Pier Giuseppe Giribone Una delle primarie cause di fallimento del processo di generalizzazione \u00e8 l\u2019overfitting, concetto statistico ampiamente noto gi\u00e0 prima della grande diffusione delle metodologie di Machine Learning. L\u2019esempio seguente propone un criterio di misura della validit\u00e0 di un modello, ponendo il focus sulla suddivisione del dataset tra\u00a0train\u00a0e\u00a0test. Si consideri, a titolo di esempio, una regressione atta a rappresentare al meglio la legge che governa il processo descritto dai punti sperimentali riportati nella Figura 1. Figura 1 \u2013 Modelli di regressione polinomiale a confronto \u00a0 Nella Figura 1 sono rappresentati 40 punti non descritti da una legge nota a priori. Il colore blu associato all\u2019intero dataset sta a significare che il 100% del campione verr\u00e0 impiegato per addestrare i modelli interpretativi. In particolare vengono presi in considerazione tre modelli tradizionali di regressione polinomiale al fine di interpretare al meglio la legge che li ha generati: \u2013 La linea blu \u00e8 ricavata da un modello lineare, caratterizzato da due parametri che devono essere stimati a partire dal dataset di training (i punti blu). \u2013 La linea arancio \u00e8 generata da un modello quadratico, caratterizzato da tre parametri da stimare. \u2013 la linea verde \u00e8 stata tracciata a partire dai risultati ottenuti da un modello polinomiale di cinquantesimo ordine e, conseguentemente, dotato di un elevatissimo numero di parametri. Il modello rappresentato dalla linea verde \u00e8 intuitivamente caratterizzato da un problema di sovra-adattamento dei dati (overfitting), quello delle linea blu \u00e8 troppo povero in termini di adattamento ai dati (underfitting), mentre la linea arancione \u00e8 quella che anche visivamente meglio cattura l\u2019essenza della legge che ha generato i dati. Il modello quadratico \u00e8 quindi quello che generalizza al meglio la relazione insita nei dati. Il vero quesito \u00e8 la modalit\u00e0 con la quale questa intuizione possa essere trasmessa ad un computer. Un concetto chiave risiede nel definire una misura statistica che consenta di confrontare l\u2019errore\u00a0del modello con quello sperimentalmente osservato, ovvero una sorta di valutazione del gap interpretativo. Tra le misure pi\u00f9 popolari utilizzabili per approcci regressivi se ne citano due, tra le pi\u00f9 utilizzate: \u2013\u00a0Mean Absolute Error\u00a0(MAE): definita come la somma degli errori presa in valore assoluto divisa per il numero degli elementi presenti nel campione. \u2013\u00a0Mean Squared Error\u00a0(MSE): definita come la media degli errori al quadrato. Se applicassimo direttamente tale misure all\u2019intero batch di training, il miglior modello risulterebbe erroneamente quello in overfit, presentando il MAE e MSE pi\u00f9 basso rispetto agli altri approcci. Sample performance Modello underfit: MAE = 7.28, MSE = 75.99 Modello correct fit:\u00a0 MAE = 2.10, MSE = 6.72 Modello overfit:\u00a0 MAE = 0.35, MSE = 0.36 Tali verifiche statistiche, affinch\u00e8 evidenzino correttamente il miglior modello, \u00e8 necessario condurle su dei dati non considerati nel training set. Questa porzione di dati, non considerati dall\u2019algoritmo durante l\u2019addestramento viene definito come\u00a0test set. La procedura proposta sarebbe quella di stimare il modello non per tutti i 40 dati sperimentali, ma escludere dal batch di training una porzione (ad esempio il 15%) sul quale stimare delle statistiche di performance\u00a0out-of-sample, maggiormente idonee a valutare la bont\u00e0 del nostro algoritmo. Nella Figura 2 sono riportati in blu i dati scelti per addestrare i modelli, mentre in arancio i dati da usare come confronto. Lo splitting tra train e test deve essere condotto casualmente. Figura 2 Train \u2013 test splitting Stimando con il nuovo dataset di training (punti blu della Figura 2) le performance dei tre modelli si ottengono risultati analoghi ai precedenti: In-Sample performance Modello underfit: MAE = 7.04, MSE = 71.28 Modello correct fit:\u00a0 MAE = 1.87, MSE = 5.77 Modello overfit:\u00a0 MAE = 0.0009, MSE = 0.000000172\u00a0 Addirittura il modello overfit ha praticamente le misure nulle di errore. Valutiamo ora le medesime metriche applicate ai punti presi come test. Testando i modelli con i dati non considerati in fase di addestramento, l\u2019instabilit\u00e0 del modello in overfitting viene scoperta. Out-of-Sample performance Modello underfit: MAE = 8.56, MSE = 103.09 Modello correct fit:\u00a0 MAE = 3.31, MSE = 12.6 Modello overfit:\u00a0 MAE = 10e+9, MSE = 10e+16\u00a0 Riassumendo, le misure statistiche condotte su dati \u00abnuovi\u00bb permettono una misura esterna affidabile ed indipendente delle performance di un modello. I modelli underfit sono caratterizzati da errori alti in-sample ed out-of-sample, i modelli overfit hanno errori estremamente bassi in-sample ed estremamente alti (o instabili) out-of-sample. I modelli corretti hanno buone e stabili performance per entrambi in-sample ed out-of-sample. La sfida pertanto \u00e8 quella di trovare il numero di parametri che consenta un trade-off ottimale tra stabilit\u00e0 del modello e performance in-sample, ma soprattutto out-of-sample. Nel caso della regressione polinomiale appena discussa, usando un polinomio di un grado molto prossimo al numero dei dati sperimentali si era certi nel riuscire a trovare una funzione che adattasse matematicamente perfettamente i punti. Ma facendo in questo modo si era perso totalmente il concetto pi\u00f9 importante di un modello statistico, ovvero la\u00a0capacit\u00e0 di generalizzare. Il modello con l\u2019overfitting si \u00e8 rilevato instabile negli intorni dei punti sperimentali, aumentando di gran lunga l\u2019errore calcolato. Il fenomeno dell\u2019overfitting, come appena dimostrato impiegando modelli econometrici classici, non \u00e8 nuovo nella statistica tradizionale, ma assume un ruolo davvero critico nel Machine Learning in generale e nelle reti neurali profonde in particolare, ovvero laddove il numero degli iperparametri del modello \u00e8 elevato.<\/p>\n","protected":false},"author":1,"featured_media":15317,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[238,206],"tags":[],"class_list":["post-15316","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-nella-gestione-bancaria","category-news"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.7 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample - Scuola Italiana Antiriciclaggio<\/title>\n<meta name=\"description\" content=\"Il 26 giugno 2024, Enzo Serata, Direttore dell\u2019Unit\u00e0 di Informazione Finanziaria per l\u2019Italia (UIF), ha presentato il Rapporto Annuale 2023.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/antiriciclaggioerisk.com\/?p=15316\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample - Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"og:description\" content=\"Il 26 giugno 2024, Enzo Serata, Direttore dell\u2019Unit\u00e0 di Informazione Finanziaria per l\u2019Italia (UIF), ha presentato il Rapporto Annuale 2023.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/antiriciclaggioerisk.com\/?p=15316\" \/>\n<meta property=\"og:site_name\" content=\"Scuola Italiana Antiriciclaggio\" \/>\n<meta property=\"article:published_time\" content=\"2024-07-25T15:10:38+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-07-25T15:14:35+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Post-giribone-3.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1379\" \/>\n\t<meta property=\"og:image:height\" content=\"917\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"sbs\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316\"},\"author\":{\"name\":\"sbs\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/person\\\/5ad9ac9d6ea251c6aec6e4d29bbd8453\"},\"headline\":\"Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample\",\"datePublished\":\"2024-07-25T15:10:38+00:00\",\"dateModified\":\"2024-07-25T15:14:35+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316\"},\"wordCount\":835,\"publisher\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/Post-giribone-3.jpg\",\"articleSection\":[\"AI nella gestione bancaria\",\"News\"],\"inLanguage\":\"en-US\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316\",\"name\":\"Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample - Scuola Italiana Antiriciclaggio\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/Post-giribone-3.jpg\",\"datePublished\":\"2024-07-25T15:10:38+00:00\",\"dateModified\":\"2024-07-25T15:14:35+00:00\",\"description\":\"Il 26 giugno 2024, Enzo Serata, Direttore dell\u2019Unit\u00e0 di Informazione Finanziaria per l\u2019Italia (UIF), ha presentato il Rapporto Annuale 2023.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316#primaryimage\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/Post-giribone-3.jpg\",\"contentUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/Post-giribone-3.jpg\",\"width\":1379,\"height\":917},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?p=15316#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#website\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\",\"name\":\"Scuola Italiana Antiriciclaggio\",\"description\":\"Master e corsi con Certificazione Antiriciclaggio internazionale\",\"publisher\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#organization\",\"name\":\"European School of Banking Management\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/01\\\/logo-esb-test-360x195-1.png\",\"contentUrl\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/wp-content\\\/uploads\\\/2023\\\/01\\\/logo-esb-test-360x195-1.png\",\"width\":360,\"height\":195,\"caption\":\"European School of Banking Management\"},\"image\":{\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/it.linkedin.com\\\/school\\\/scuola-europea-di-formazione-bancaria\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/#\\\/schema\\\/person\\\/5ad9ac9d6ea251c6aec6e4d29bbd8453\",\"name\":\"sbs\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g\",\"caption\":\"sbs\"},\"sameAs\":[\"https:\\\/\\\/antiriciclaggioerisk.com\"],\"url\":\"https:\\\/\\\/antiriciclaggioerisk.com\\\/?author=1\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample - Scuola Italiana Antiriciclaggio","description":"Il 26 giugno 2024, Enzo Serata, Direttore dell\u2019Unit\u00e0 di Informazione Finanziaria per l\u2019Italia (UIF), ha presentato il Rapporto Annuale 2023.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/antiriciclaggioerisk.com\/?p=15316","og_locale":"en_US","og_type":"article","og_title":"Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample - Scuola Italiana Antiriciclaggio","og_description":"Il 26 giugno 2024, Enzo Serata, Direttore dell\u2019Unit\u00e0 di Informazione Finanziaria per l\u2019Italia (UIF), ha presentato il Rapporto Annuale 2023.","og_url":"https:\/\/antiriciclaggioerisk.com\/?p=15316","og_site_name":"Scuola Italiana Antiriciclaggio","article_published_time":"2024-07-25T15:10:38+00:00","article_modified_time":"2024-07-25T15:14:35+00:00","og_image":[{"width":1379,"height":917,"url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Post-giribone-3.jpg","type":"image\/jpeg"}],"author":"sbs","twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/antiriciclaggioerisk.com\/?p=15316#article","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15316"},"author":{"name":"sbs","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/person\/5ad9ac9d6ea251c6aec6e4d29bbd8453"},"headline":"Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample","datePublished":"2024-07-25T15:10:38+00:00","dateModified":"2024-07-25T15:14:35+00:00","mainEntityOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15316"},"wordCount":835,"publisher":{"@id":"https:\/\/antiriciclaggioerisk.com\/#organization"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15316#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Post-giribone-3.jpg","articleSection":["AI nella gestione bancaria","News"],"inLanguage":"en-US"},{"@type":"WebPage","@id":"https:\/\/antiriciclaggioerisk.com\/?p=15316","url":"https:\/\/antiriciclaggioerisk.com\/?p=15316","name":"Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample - Scuola Italiana Antiriciclaggio","isPartOf":{"@id":"https:\/\/antiriciclaggioerisk.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15316#primaryimage"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15316#primaryimage"},"thumbnailUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Post-giribone-3.jpg","datePublished":"2024-07-25T15:10:38+00:00","dateModified":"2024-07-25T15:14:35+00:00","description":"Il 26 giugno 2024, Enzo Serata, Direttore dell\u2019Unit\u00e0 di Informazione Finanziaria per l\u2019Italia (UIF), ha presentato il Rapporto Annuale 2023.","breadcrumb":{"@id":"https:\/\/antiriciclaggioerisk.com\/?p=15316#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/antiriciclaggioerisk.com\/?p=15316"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/antiriciclaggioerisk.com\/?p=15316#primaryimage","url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Post-giribone-3.jpg","contentUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2024\/07\/Post-giribone-3.jpg","width":1379,"height":917},{"@type":"BreadcrumbList","@id":"https:\/\/antiriciclaggioerisk.com\/?p=15316#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/antiriciclaggioerisk.com\/"},{"@type":"ListItem","position":2,"name":"Errore e robustezza: metriche \u201cin-sample\u201d ed \u201cout-of-sample"}]},{"@type":"WebSite","@id":"https:\/\/antiriciclaggioerisk.com\/#website","url":"https:\/\/antiriciclaggioerisk.com\/","name":"Scuola Italiana Antiriciclaggio","description":"Master e corsi con Certificazione Antiriciclaggio internazionale","publisher":{"@id":"https:\/\/antiriciclaggioerisk.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/antiriciclaggioerisk.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/antiriciclaggioerisk.com\/#organization","name":"European School of Banking Management","url":"https:\/\/antiriciclaggioerisk.com\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/logo\/image\/","url":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/01\/logo-esb-test-360x195-1.png","contentUrl":"https:\/\/antiriciclaggioerisk.com\/wp-content\/uploads\/2023\/01\/logo-esb-test-360x195-1.png","width":360,"height":195,"caption":"European School of Banking Management"},"image":{"@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/it.linkedin.com\/school\/scuola-europea-di-formazione-bancaria\/"]},{"@type":"Person","@id":"https:\/\/antiriciclaggioerisk.com\/#\/schema\/person\/5ad9ac9d6ea251c6aec6e4d29bbd8453","name":"sbs","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/secure.gravatar.com\/avatar\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/4abf6b0aa16218a1f411ff1a335978a034e47a18831d321432dd26896e72787c?s=96&d=mm&r=g","caption":"sbs"},"sameAs":["https:\/\/antiriciclaggioerisk.com"],"url":"https:\/\/antiriciclaggioerisk.com\/?author=1"}]}},"views":723,"_links":{"self":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/15316","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=15316"}],"version-history":[{"count":4,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/15316\/revisions"}],"predecessor-version":[{"id":15323,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/posts\/15316\/revisions\/15323"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=\/wp\/v2\/media\/15317"}],"wp:attachment":[{"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=15316"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=15316"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/antiriciclaggioerisk.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=15316"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}