Выборка
Материал из MachineLearning.
|
Выборка (sample, set) — конечный набор прецедентов (объектов, случаев, событий, испытуемых, образцов, и т.п.), некоторым способом выбранных из множества всех возможных прецедентов, называемого генеральной совокупностью.
Если исследователь не имеет возможности управлять выбором прецедентов, то обычно предполагается, что выбор прецедентов случаен. Если же выбором прецедентов можно управлять, то возникает задача выбора минимального числа прецедентов, содержащих максимум полезной информации, см. активное обучение, планирование экспериментов, выборочное обследование.
По каждому прецеденту собираются (измеряются) некоторые данные (data), образующие описание прецедента. Совокупность описаний всех прецедентов выборки является входной информацией для статистического анализа данных, интеллектуального анализа данных и машинного обучения.
Термины выборка (sample, set) и данные (data) взаимозаменяемы; иногда они употребляются вместе как один термин выборка данных (data set).
Основные цели анализа данных:
- выявление общих зависимостей, закономерностей, взаимосвязей по имеющийся частной выборке данных;
- формирование статистически обоснованных предсказаний относительно новых данных, которые ещё не наблюдались.
Вероятностная модель порождения данных
Многие методы статистического анализа данных и машинного обучения опираются на гипотезу о простой выборке.
Предполагается, что генеральная совокупность является вероятностным пространством с некоторой (возможно, неизвестной) вероятностной мерой
.
Простая выборка (i.i.d. sample — independent, identically distributed sample) — конечное множество прецедентов, выбранных из случайно, независимо, согласно вероятностной мере
.
Пусть — плотность распределения на
.
Тогда плотность распределения простой выборки
,
называемая также правдоподобием выборки, есть
.
Благодаря свойству независимости плотность выборки представляется в виде произведения плотностей, взятых для отдельных объектов.
На гипотезе простой выборки существенно основаны:
- метод максимума правдоподобия, позволяющий находить оптимальные значения параметров модели зависимости по имеющейся выборке данных;
- многие статистические тесты;
- оценки обобщающей способности в теории вычислительного обучения.
Обучающая и тестовая выборка
Оценка качества модели, построенной по обучающей выборке, на той же самой выборке, как правило, оказывается оптимистически смещённой. Это нежелательное явление называют переобучением. На практике оно встречается очень часто. Хорошую эмпирическую оценку качества построенной модели даёт её проверка на независимой тестовой выборке, объекты которой не использовались для обучения. Однако, если оценка, сделанная по тестовой выборке, применяется для выбора наилучшей модели, то она снова оказывается оптимистически смещённой. Для получения немсещённой оценки выбранной модели приходится выделять третью выборку данных.
Обучающая выборка (training sample) — выборка, по которой производится построение (оптимизация параметров) модели зависимости.
Тестовая (или контрольная) выборка (test sample) — выборка, по которой оценивается качество построенной модели. Если обучающая и тестовая выборки независимы, то оценка, сделанная по тестовой выборке, является несмещённой.
Проверочная выборка (validation sample) — выборка, по которой осуществляется выбор наилучшей модели из множества моделей, построенных по обучающей выборке.
