Задача выбора статистической модели из множества моделей-кандидатов
Выбор модели — это задача выбора модели из числа различных кандидатов на основе критерия производительности, чтобы выбрать лучшую. [1]
В контексте машинного обучения и, в более общем смысле, статистического анализа , это может быть выбор статистической модели из набора моделей-кандидатов на основе данных. В простейших случаях рассматривается уже существующий набор данных. Однако задача может также включать в себя разработку экспериментов таким образом, чтобы собранные данные хорошо подходили для решения проблемы выбора модели. При наличии моделей-кандидатов со схожей предсказательной или объяснительной силой лучшим выбором, скорее всего, будет самая простая модель (« бритва Оккама» ).
Кониси и Китагава (2008, стр. 75) утверждают: «Большинство проблем статистического вывода можно считать проблемами, связанными со статистическим моделированием». В связи с этим Кокс (2006, стр. 197) сказал: «Как осуществляется перевод предметной задачи в статистическую модель, часто является наиболее важной частью анализа».
Выбор модели может также относиться к проблеме выбора нескольких репрезентативных моделей из большого набора вычислительных моделей с целью принятия решений или оптимизации в условиях неопределенности. [2]
В своих самых основных формах выбор модели является одной из фундаментальных задач научного исследования . Определение принципа, объясняющего серию наблюдений, часто напрямую связано с математической моделью, предсказывающей эти наблюдения. Например, когда Галилей проводил свои эксперименты на наклонной плоскости , он продемонстрировал, что движение шаров соответствует параболе, предсказанной его моделью .
Как можно вообще выбрать лучшую модель из бесчисленного множества возможных механизмов и процессов, которые могли бы произвести данные? Обычно используемый математический подход делает выбор между набором возможных моделей; этот набор должен быть выбран исследователем. Часто используются простые модели, такие как полиномы, по крайней мере , на начальном этапе . Бернем и Андерсон (2002) на протяжении всей своей книги подчеркивают важность выбора моделей, основанных на здравых научных принципах, таких как понимание феноменологических процессов или механизмов (например, химических реакций), лежащих в основе данных.
После того, как набор моделей-кандидатов выбран, статистический анализ позволяет нам выбрать лучшую из этих моделей. Что подразумевается под лучшим , является спорным. Хорошая техника выбора модели позволит сбалансировать ее соответствие с простотой. Более сложные модели смогут лучше адаптировать свою форму к данным (например, полином пятого порядка может точно соответствовать шести точкам), но дополнительные параметры могут не представлять ничего полезного. (Возможно, эти шесть точек на самом деле просто случайно распределены вокруг прямой линии.) Степень соответствия обычно определяется с использованием подхода отношения правдоподобия или его приближения, что приводит к тесту хи-квадрат . Сложность обычно измеряется путем подсчета количества параметров в модели.
Методы выбора модели можно рассматривать как оценку некоторой физической величины, например вероятности того, что модель предоставит данные данные. Смещение и дисперсия являются важными показателями качества этой оценки ; эффективность также часто учитывается.
Стандартным примером выбора модели является подбор кривой , где, учитывая набор точек и другие базовые знания (например, точки являются результатом выборок iid ), мы должны выбрать кривую, описывающую функцию, сгенерировавшую точки.
Два направления выбора модели
Есть две основные цели в умозаключении и обучении на данных. Один из них предназначен для научных открытий, также называемых статистическим выводом, понимания основного механизма генерации данных и интерпретации природы данных. Другая цель обучения на основе данных — прогнозирование будущих или невидимых наблюдений, также называемое статистическим прогнозированием. Во второй цели специалист по данным не обязательно заботится о точном вероятностном описании данных. Конечно, можно интересоваться и в том, и в другом направлении.
В соответствии с двумя разными целями выбор модели также может иметь два направления: выбор модели для вывода и выбор модели для прогнозирования. [3] Первое направление – определить лучшую модель данных, которая предпочтительно обеспечит надежную характеристику источников неопределенности для научной интерпретации. Для этой цели очень важно, чтобы выбранная модель не была слишком чувствительна к размеру выборки. Соответственно, подходящим понятием для оценки выбора модели является согласованность выбора, означающая, что наиболее надежный кандидат будет последовательно выбран при наличии достаточного количества выборок данных.
Второе направление — выбрать модель в качестве механизма, обеспечивающую превосходные прогнозные характеристики. Однако в последнем случае выбранная модель может просто стать счастливым победителем среди нескольких близких конкурентов, однако прогнозные характеристики все равно могут быть максимально возможными. Если да, то выбор модели подходит для достижения второй цели (прогнозирования), но использование выбранной модели для понимания и интерпретации может быть крайне ненадежным и вводящим в заблуждение. [3] Более того, для очень сложных моделей, выбранных таким образом, даже прогнозы могут оказаться необоснованными для данных, лишь немного отличающихся от тех, на которых был сделан выбор. [4]
Методы, помогающие выбрать набор моделей-кандидатов.
Ниже приведен список критериев выбора модели. Наиболее часто используемыми информационными критериями являются (i) информационный критерий Акаике и (ii) фактор Байеса и/или байесовский информационный критерий (который в некоторой степени приближается к фактору Байеса), обзор см. в Stoica & Selen (2004).
Мостовой критерий (BC), статистический критерий, который может обеспечить более высокую производительность AIC и BIC, несмотря на соответствие спецификации модели. [5]
Расширенный байесовский информационный критерий (EBIC) — это расширение обычного байесовского информационного критерия (BIC) для моделей с пространствами с высокими параметрами.
Расширенный информационный критерий Фишера (EFIC) — это критерий выбора модели для моделей линейной регрессии.
Критерий ограниченного минимума (CMC) — это часто встречающийся критерий для выбора моделей регрессии с геометрической основой. [6]
Среди этих критериев перекрестная проверка обычно является наиболее точной и самой дорогой в вычислительном отношении для задач контролируемого обучения. [ нужна цитата ]
Бернем и Андерсон (2002, §6.3) говорят следующее:
Существует множество методов выбора модели. Однако с точки зрения статистической эффективности метода и предполагаемого контекста его использования существует только два различных класса методов: они были названы эффективными и последовательными . (...) В соответствии с частотной парадигмой выбора модели обычно существует три основных подхода: (I) оптимизация некоторых критериев выбора, (II) проверка гипотез и (III) специальные методы.
^ Хасти, Тибширани, Фридман (2009). Элементы статистического обучения . Спрингер. п. 195.{{cite book}}: CS1 maint: несколько имен: список авторов ( ссылка )
^ Ширанги, Мехрдад Г.; Дурлофски, Луи Дж. (2016). «Общий метод выбора репрезентативных моделей для принятия решений и оптимизации в условиях неопределенности». Компьютеры и геонауки . 96 : 109–123. Бибкод : 2016CG.....96..109S. дои : 10.1016/j.cageo.2016.08.002.
^ Су, Дж.; Варгас, Д.В.; Сакурай, К. (2019). «Атака одним пикселем для обмана глубоких нейронных сетей». Транзакции IEEE в эволюционных вычислениях . 23 (5): 828–841. arXiv : 1710.08864 . дои : 10.1109/TEVC.2019.2890858. S2CID 2698863.
^ Дин, Дж.; Тарох, В.; Ян, Ю. (июнь 2018 г.). «Соединение AIC и BIC: новый критерий авторегрессии». Транзакции IEEE по теории информации . 64 (6): 4024–4043. arXiv : 1508.02473 . дои : 10.1109/TIT.2017.2717599. ISSN 1557-9654. S2CID 5189440.
^ Цао, Мин (2023). «Выбор модели регрессии с помощью логарифмического отношения правдоподобия и критерия ограниченного минимума». Канадский статистический журнал . arXiv : 2107.08529 . дои : 10.1002/cjs.11756. S2CID 236087375.
Рекомендации
Ах хорошо.; Дерриберри, Д.; Петерсон, Т. (2014), «Выбор модели для экологов: мировоззрение AIC и BIC», Ecology , 95 (3): 631–636, doi : 10.1890/13-1452.1, PMID 24804445
Акаике, Х. (1994), «Последствия информационной точки зрения на развитие статистической науки», в Боздогане, Х. (ред.), Материалы Первой конференции США и Японии по границам статистического моделирования: информационное Подход – Том 3 , Kluwer Academic Publishers , стр. 27–38.
Андерсон, Д.Р. (2008), Вывод на основе моделей в науках о жизни, Springer, ISBN 9780387740751
Андо, Т. (2010), Выбор байесовской модели и статистическое моделирование, CRC Press , ISBN 9781439836156
Брейман, Л. (2001), «Статистическое моделирование: две культуры», Statistical Science , 16 : 199–231, doi : 10.1214/ss/1009213726.
Бернхэм, КП; Андерсон, Д.Р. (2002), Выбор модели и многомодельный вывод: практический информационно-теоретический подход (2-е изд.), Springer-Verlag, ISBN 0-387-95364-7[это более 38000 цитирований в Google Scholar ]
Чемберлин, Т.К. (1890), «Метод множественных рабочих гипотез», Science , 15 (366): 92–6, Бибкод : 1890Sci....15R..92., doi : 10.1126/science.ns-15.366. 92, ПМИД 17782687(перепечатано в 1965 г., Science 148: 754–759 [1] doi : 10.1126/science.148.3671.754)
Класкенс, Г.; Хьорт, Нидерланды (2008), Выбор модели и усреднение модели, Cambridge University Press, ISBN 9781139471800
Кокс, Д.Р. (2006), Принципы статистического вывода , издательство Кембриджского университета.
Дин, Дж.; Тарох, В.; Ян, Ю. (2018), «Методы выбора модели — обзор», журнал IEEE Signal Processing Magazine , 35 (6): 16–34, arXiv : 1810.09583 , Bibcode : 2018ISPM...35f..16D, doi : 10.1109/ MSP.2018.2867638, S2CID 53035396
Кашьяп, Р.Л. (1982), «Оптимальный выбор частей AR и MA в моделях авторегрессионного скользящего среднего», IEEE Transactions on Pattern Analysis and Machine Intelligence , IEEE, PAMI-4 (2): 99–104, doi : 10.1109/TPAMI. 1982.4767213, PMID 21869012, S2CID 18484243
Кониши, С.; Китагава, Г. (2008), Информационные критерии и статистическое моделирование, Springer, Бибкод : 2007icsm.book.....K, ISBN 9780387718866
Лееб, Х.; Пётшер, Б.М. (2009), «Выбор модели», Андерсон, Т.Г. (редактор), Справочник финансовых временных рядов , Springer, стр. 889–925, doi : 10.1007/978-3-540-71297-8_39, ISBN 978-3-540-71296-1
Лукач, премьер-министр; Томпсон, Вашингтон; Кендалл, WL; Гулд, WR; Доэрти, П.Ф. младший; Бернхэм, КП; Андерсон, Д.Р. (2007), «Обеспокоенность по поводу призыва к плюрализму теории информации и проверке гипотез», Journal of Applied Ecology , 44 (2): 456–460, doi :10.1111/j.1365-2664.2006.01267.x, S2CID 83816981
МакКуорри, Аллан Д.Р.; Цай, Чи-Линг (1998), Выбор модели регрессии и временных рядов , Сингапур: World Scientific, ISBN 981-02-3242-Х
Массарт, П. (2007), Неравенства концентрации и выбор модели, Springer
Массарт, П. (2014), «Неасимптотическое блуждание по вероятности и статистике», в книге Лин, Сихонг (редактор), « Прошлое, настоящее и будущее статистической науки» , Chapman & Hall , стр. 309–321, ISBN .9781482204988
Наварро, диджей (2019), «Между дьяволом и глубоким синим морем: противоречия между научными суждениями и выбором статистической модели», Computational Brain & Behavior , 2 : 28–34, doi : 10.1007/s42113-018-0019-z
Ресенде, Пауло Анджело Алвес; Дореа, Чанг Чунг Ю (2016), «Идентификация модели с использованием эффективного критерия детерминации», Журнал многомерного анализа , 150 : 229–244, arXiv : 1409.7441 , doi : 10.1016/j.jmva.2016.06.002, S2CID 5469654
Шмуэли, Г. (2010), «Объяснить или предсказать?», Statistical Science , 25 (3): 289–310, arXiv : 1101.0891 , doi : 10.1214/10-STS330, MR 2791669, S2CID 15900983
Стойка, П.; Селен, Ю. (2004), «Выбор порядка модели: обзор правил информационных критериев» (PDF) , журнал IEEE Signal Processing Magazine , 21 (4): 36–47, doi : 10.1109/MSP.2004.1311138, S2CID 17338979
Вит, Э.; ван ден Хеувел, Э.; Ромейн, Ж.-В. (2012), «Все модели неверны...»: введение в неопределенность моделей» (PDF) , Statistica Neerlandica , 66 (3): 217–236, doi :10.1111/j.1467-9574.2012.00530.x , S2CID 7793470
Вит, Э.; МакКаллах, П. (2001), Виана, MAG; Ричардс, Д. Ст. П. (ред.), «Расширяемость статистических моделей», Алгебраические методы в статистике и вероятности , стр. 327–340.
Войтович, Анна; Бигай, Томаш (2016), «Обоснование, подтверждение и проблема взаимоисключающих гипотез», у Кузняра, Адриана; Одровонж-Сипневска, Иоанна (ред.), «Раскрытие фактов и ценностей» , Brill Publishers , стр. 122–143, doi : 10.1163/9789004312654_009, ISBN 9789004312654
Оранг, Араш; Янссон, Магнус (2018), «Критерий выбора модели для многомерной линейной регрессии», IEEE Transactions on Signal Processing , 66 (13): 3436–3446, Bibcode : 2018ITSP...66.3436O, doi : 10.1109/TSP. 2018.2821628, ISSN 1941-0476, S2CID 46931136
Б. Гохайн, Пракаш; Янссон, Магнус (2022), «Масштабно-инвариантный и последовательный байесовский информационный критерий для выбора порядка в моделях линейной регрессии», Signal Processing , 196 : 108499, doi : 10.1016/j.sigpro.2022.108499 , ISSN 0165-1684, S2CID 246759677