予測モデリング-混合モデリングを気にする必要がありますか？

予測モデリングの場合、ランダム効果や観測の非独立性（反復測定）などの統計概念に関心を持つ必要がありますか？例えば....

5つのダイレクトメールキャンペーン（1年間で発生）のさまざまな属性と購入フラグ付きのデータがあります。理想的には、これらすべてのデータを組み合わせて使用​​し、キャンペーンの時点で顧客の属性を考慮した購入モデルを構築します。その理由は、購入のイベントがまれであり、できるだけ多くの情報を使用したいからです。特定の顧客が1〜5個のキャンペーンに参加する可能性があります。つまり、レコード間に独立性がないことを意味します。

以下を使用する場合、これは重要ですか？

1）機械学習アプローチ（例、ツリー、MLP、SVM）

2）統計的アプローチ（ロジスティック回帰）？

**ADD:**

予測モデリングに関する私の考えは、モデルが機能する場合、それを使用することです。そのため、仮定の重要性を本当に考えたことはありません。上記のケースについて考えると、私は不思議に思いました。

などの機械学習アルゴリズムを使用しMLP and SVMます。これらは、上記の例のようなバイナリイベントのモデル化に使用されますが、時系列データも明確に相関しています。ただし、多くの場合、尤度であり、エラーがiidであると仮定して導出される損失関数を使用します。たとえば、Rの勾配ブーストされたツリーはgbm、二項（ページ10）から派生した逸脱損失関数を使用します。

私はこれを自分自身で疑問に思っていました、そして、ここに私の暫定的な結論があります。誰かがこのトピックに関する知識と参考文献でこれを補足/修正できれば幸いです。

統計的有意性をチェックしてロジスティック回帰係数に関する仮説をテストしたい場合、観測値全体の相関をモデル化する必要があります（そうでなければ非独立性を修正します）。クラスター効果。ただし、回帰係数は相関する観測値でも不偏であるため、予測にこのようなモデルを使用しても問題ありません。

予測モデリングでは、ロジスティック回帰または他のアプローチを使用しているかどうかにかかわらず、モデルをトレーニングするときに相関を明示的に考慮する必要はありません。ただし、検証またはサンプル外エラーの計算にホールドアウトセットを使用する場合は、各個人の観測値がトレーニングまたは検証の両方ではなく1つのセットのみに表示されるようにする必要があります。そうしないと、モデルはすでにいくつかの情報を持っている個人について予測することになり、サンプル外分類能力に関する真の読み取りが得られません。