Выборка

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Вероятностная модель порождения данных)
Строка 3: Строка 3:
Если исследователь не имеет возможности управлять выбором прецедентов, то обычно предполагается, что выбор прецедентов случаен.
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.
+
Если же выбором прецедентов можно управлять, то возникают задачи оптимального формирования выборки, см. также
[[активное обучение]],
[[активное обучение]],
[[планирование экспериментов]],
[[планирование экспериментов]],
Строка 10: Строка 10:
По каждому прецеденту собираются (измеряются) некоторые ''данные'' (data), образующие ''описание прецедента''.
По каждому прецеденту собираются (измеряются) некоторые ''данные'' (data), образующие ''описание прецедента''.
Совокупность описаний всех прецедентов выборки является входной информацией для
Совокупность описаний всех прецедентов выборки является входной информацией для
-
[[прикладная статистика|статистического анализа данных]],
+
[[статистический анализ данных|статистического анализа данных]],
-
[[интеллектуальный анализ данных|интеллектуального анализа данных]] и
+
[[интеллектуальный анализ данных|интеллектуального анализа данных]],
[[машинное обучение|машинного обучения]].
[[машинное обучение|машинного обучения]].
Термины ''выборка'' (sample, set) и ''данные'' (data) взаимозаменяемы;
Термины ''выборка'' (sample, set) и ''данные'' (data) взаимозаменяемы;
иногда они употребляются вместе как один термин ''выборка данных'' (data set).
иногда они употребляются вместе как один термин ''выборка данных'' (data set).
-
 
+
Поэтому ''[[анализ данных]]'' можно понимать также как ''анализ конечных выборок''.
Основные цели ''анализа данных'':
Основные цели ''анализа данных'':
-
* выявление общих зависимостей, закономерностей, взаимосвязей по имеющийся частной выборке данных;
+
* ''проверка гипотез'' относительно имеющейся выборки данных;
-
* формирование статистически обоснованных предсказаний относительно новых данных, которые ещё не наблюдались.
+
* ''эмпирическая индукция'' — выявление общих закономерностей, присущих всей генеральной совокупности, по имеющийся выборке данных;
 +
* ''прогнозирование'' — формирование статистически обоснованных предсказаний относительно новых данных, которые ещё не наблюдались.
== Вероятностная модель порождения данных ==
== Вероятностная модель порождения данных ==
 +
=== Случайная выборка ===
Вероятностная модель порождения данных предполагает, что выборка из генеральной совокупности формируется случайным образом.
Вероятностная модель порождения данных предполагает, что выборка из генеральной совокупности формируется случайным образом.
-
С формальной точки зрения, это означает, что с генеральной совокупностью <tex>X</tex> связывается [[Вероятностное пространство| вероятностное пространство]] <tex>\langle X^m,\Sigma^m,{\mathbb P}_m\rangle</tex>. Объем выборки <tex>m</tex> является неслучайным и может считаться заданным.
+
''Объём'' (''длина'') выборки <tex>m</tex> считается произвольной, но фиксированной, неслучайной величиной.
-
Здесь <tex>X^m</tex> представляет собой множество всех выборок и выступает в роли множества элементарных исходов, <tex>\Sigma^m</tex> - подходящим образом заданная сигма-алгебра событий, <tex>{\mathbb P}_m</tex> - [[Вероятностная мера|вероятностная мера]], которая, как правило, неизвестна.
+
Формально это означает, что с генеральной совокупностью <tex>X</tex> связывается [[вероятностное пространство]] <tex>\langle X^m,\Sigma^m,{\mathbb P}_m\rangle</tex>,
 +
где
 +
<tex>X^m</tex> — множество всех выборок длины <tex>m</tex>,
 +
<tex>\Sigma^m</tex> заданная на этом множестве сигма-алгебра событий,
 +
<tex>{\mathbb P}_m</tex> [[вероятностная мера]], как правило, неизвестная.
-
Выборка <tex>x^m = (x_1,\ldots,x_m)</tex> — это элемент множества <tex>X^m</tex>, то есть конечная последовательность прецедентов, выбранных из генеральной совокупности <tex>X</tex>, сформированная согласно вероятностной {{S|мере <tex>\mathbb{P}_m</tex>}}.
+
''Случайная выборка'' <tex>x^m = (x_1,\ldots,x_m)</tex> — это последовательность из <tex>m</tex> прецедентов, выбранная из множества <tex>X^m</tex> согласно вероятностной мере&nbsp;<tex>\mathbb{P}_m</tex>.
-
Пусть <tex>p(x^m) = p(x_1,\ldots,x_m) </tex> — функция распределения на <tex>X</tex>.
+
=== Однородная выборка ===
-
Выборка зазывается ''простой'' или ''независимой одинаково распределённой'' (i.i.d. — independent, identically distributed),
+
Выборка называется ''однородной'', если все её прецеденты <tex>x_i,\; i=1,\ldots,m</tex> одинаково распределёны, то есть выбраны из одного и того же распределения <tex>\langle X^1,\Sigma^1,{\mathbb P}_1\rangle</tex>.
-
если <tex>p(x^m)= \prod_{i=1}^m p(x_i)</tex>.
+
-
На гипотезу простой выборки существенно опираются многие методы [[прикладная статистика|статистического анализа данных]] и [[машинное обучение|машинного обучения]], например,
+
=== Независимая выборка ===
-
большинство [[Статистический тест|статистических тестов]], а также
+
Выборка называется ''независимой'', если вероятностная мера на <tex>X^m</tex> представима в виде произведения <tex>m</tex> вероятностных мер на <tex>X^1</tex>, то есть
-
оценки [[Обобщающая способность|обобщающей способности]] в [[Теория вычислительного обучения|теории вычислительного обучения]].
+
для любой системы подмножеств <tex>A_1,\ldots,A_m\in\Sigma^1</tex>
 +
:: <tex>{\mathbb P}\left( A_1 \times\ldots\times A_m \right) = {\mathbb P}(A_1)\cdot\ldots\cdot{\mathbb P}(A_m).</tex>
-
Также существует множество методов, не предполагающих независимость выборки.
+
Если на <tex>X</tex> существует плотность распределения <tex>p(x)</tex>, то независимость означает, что <tex>m</tex>-мерная плотность распределения на <tex>X^m</tex> представима в виде произведения <tex>m</tex> одномерных плотностей:
-
Одним из таких направлений является теория случайных процессов, в частности, методы, где выборка полагается реализацией случайного процесса с дискретным временем.
+
:: <tex>p(x^m) \equiv p(x_1,\ldots,x_m)= \prod_{i=1}^m p(x_i).</tex>
-
Существуют и универсальные статистические методы, например,
+
=== Простая выборка ===
-
[[метод максимума правдоподобия]], позволяющий оценивать значения параметров [[Модель зависимости|модели зависимости]] по обучающей выборке.
+
''Простая выборка'' — это случайная, однородная, независимая выборка (i.i.d. — independent, identically distributed).
 +
 
 +
На гипотезу простой выборки существенно опираются многие методы
 +
[[статистический анализ данных|статистического анализа данных]] и
 +
[[машинное обучение|машинного обучения]],
 +
в частности,
 +
большинство [[Статистический тест|статистических тестов]],
 +
а также
 +
оценки [[Обобщающая способность|обобщающей способности]]
 +
в [[Теория вычислительного обучения|теории вычислительного обучения]].
 +
 
 +
Также существует множество методов, не предполагающих однородность и/или независимость выборки,
 +
в частности, в [[Теория случайных процессов|теории случайных процессов]], в [[Прогнозирование временных рядов|прогнозировании временных рядов]].
 +
 
 +
Существуют универсальные статистические методы, такие как [[метод максимума правдоподобия]],
 +
позволяющий оценивать значения параметров [[Модель зависимости|модели]] по обучающей выборке.
 +
В&nbsp;общем случае они не требуют, чтобы выборка была однородной и независимой;
 +
однако в случае простых выборок анализ существенно упрощается.
== Обучающая и тестовая выборка ==
== Обучающая и тестовая выборка ==
 +
'''Обучающая выборка''' (training sample) — выборка, по которой производится настройка (оптимизация параметров) [[Модель зависимости|модели зависимости]].
Если [[модель зависимости]] построена по обучающей выборке <tex>X^m</tex>, то оценка качества этой модели, сделанная по той же выборке <tex>X^m</tex> оказывается, как правило, оптимистически смещённой.
Если [[модель зависимости]] построена по обучающей выборке <tex>X^m</tex>, то оценка качества этой модели, сделанная по той же выборке <tex>X^m</tex> оказывается, как правило, оптимистически смещённой.
Это нежелательное явление называют [[переобучение]]м.
Это нежелательное явление называют [[переобучение]]м.
На практике оно встречается очень часто.
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.
+
Хорошую эмпирическую оценку качества построенной модели даёт её проверка на независимых данных, которые не использовались для обучения.
 +
 
 +
'''Тестовая (или контрольная) выборка''' (test sample) — выборка, по которой оценивается качество построенной [[Модель зависимости|модели]]. Если обучающая и тестовая выборки независимы, то оценка, сделанная по тестовой выборке, является [[Несмещённая оценка|несмещённой]].
Оценку качества, сделанную по тестовой выборке, можно применить для выбора наилучшей модели.
Оценку качества, сделанную по тестовой выборке, можно применить для выбора наилучшей модели.
-
Но тогда она снова окажется оптимистически смещённой.
+
Однако тогда она снова окажется оптимистически смещённой.
Для получения немсещённой оценки выбранной модели приходится выделять третью выборку.
Для получения немсещённой оценки выбранной модели приходится выделять третью выборку.
-
 
-
'''Обучающая выборка''' (training sample) — выборка, по которой производится построение (оптимизация параметров) [[Модель зависимости|модели зависимости]].
 
-
 
-
'''Тестовая (или контрольная) выборка''' (test sample) — выборка, по которой оценивается качество построенной [[Модель зависимости|модели]]. Если обучающая и тестовая выборки независимы, то оценка, сделанная по тестовой выборке, является [[Несмещённая оценка|несмещённой]].
 
'''Проверочная выборка''' (validation sample) — выборка, по которой осуществляется [[выбор модели|выбор наилучшей модели]] из множества моделей, построенных по обучающей выборке.
'''Проверочная выборка''' (validation sample) — выборка, по которой осуществляется [[выбор модели|выбор наилучшей модели]] из множества моделей, построенных по обучающей выборке.

Версия 22:13, 4 августа 2008

Содержание

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 возникают задачи оптимального формирования выборки, см. также 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, машинного обучения.

Термины выборка (sample, set) и данные (data) взаимозаменяемы; иногда они употребляются вместе как один термин выборка данных (data set). Поэтому анализ данных можно понимать также как анализ конечных выборок. Основные цели анализа данных:

  • проверка гипотез относительно имеющейся выборки данных;
  • эмпирическая индукция — выявление общих закономерностей, присущих всей генеральной совокупности, по имеющийся выборке данных;
  • прогнозирование — формирование статистически обоснованных предсказаний относительно новых данных, которые ещё не наблюдались.

Вероятностная модель порождения данных

Случайная выборка

Вероятностная модель порождения данных предполагает, что выборка из генеральной совокупности формируется случайным образом. Объём (длина) выборки m считается произвольной, но фиксированной, неслучайной величиной.

Формально это означает, что с генеральной совокупностью X связывается вероятностное пространство \langle X^m,\Sigma^m,{\mathbb P}_m\rangle, где X^m — множество всех выборок длины m, \Sigma^m — заданная на этом множестве сигма-алгебра событий, {\mathbb P}_mвероятностная мера, как правило, неизвестная.

Случайная выборка x^m = (x_1,\ldots,x_m) — это последовательность из m прецедентов, выбранная из множества X^m согласно вероятностной мере \mathbb{P}_m.

Однородная выборка

Выборка называется однородной, если все её прецеденты x_i,\; i=1,\ldots,m одинаково распределёны, то есть выбраны из одного и того же распределения \langle X^1,\Sigma^1,{\mathbb P}_1\rangle.

Независимая выборка

Выборка называется независимой, если вероятностная мера на X^m представима в виде произведения m вероятностных мер на X^1, то есть для любой системы подмножеств A_1,\ldots,A_m\in\Sigma^1

{\mathbb P}\left( A_1 \times\ldots\times A_m \right) = {\mathbb P}(A_1)\cdot\ldots\cdot{\mathbb P}(A_m).

Если на X существует плотность распределения p(x), то независимость означает, что m-мерная плотность распределения на X^m представима в виде произведения m одномерных плотностей:

p(x^m) \equiv p(x_1,\ldots,x_m)= \prod_{i=1}^m p(x_i).

Простая выборка

Простая выборка — это случайная, однородная, независимая выборка (i.i.d. — independent, identically distributed).

На гипотезу простой выборки существенно опираются многие методы статистического анализа данных и машинного обучения, в частности, большинство статистических тестов, а также оценки обобщающей способности в теории вычислительного обучения.

Также существует множество методов, не предполагающих однородность и/или независимость выборки, в частности, в теории случайных процессов, в прогнозировании временных рядов.

Существуют универсальные статистические методы, такие как метод максимума правдоподобия, позволяющий оценивать значения параметров модели по обучающей выборке. В общем случае они не требуют, чтобы выборка была однородной и независимой; однако в случае простых выборок анализ существенно упрощается.

Обучающая и тестовая выборка

Обучающая выборка (training sample) — выборка, по которой производится настройка (оптимизация параметров) модели зависимости.

Если модель зависимости построена по обучающей выборке X^m, то оценка качества этой модели, сделанная по той же выборке X^m оказывается, как правило, оптимистически смещённой. Это нежелательное явление называют переобучением. На практике оно встречается очень часто. Хорошую эмпирическую оценку качества построенной модели даёт её проверка на независимых данных, которые не использовались для обучения.

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.

Оценку качества, сделанную по тестовой выборке, можно применить для выбора наилучшей модели. Однако тогда она снова окажется оптимистически смещённой. Для получения немсещённой оценки выбранной модели приходится выделять третью выборку.

Проверочная выборка (validation sample) — выборка, по которой осуществляется выбор наилучшей модели из множества моделей, построенных по обучающей выборке.

Выборочный анализ

Выборочное обследование

Выборочный контроль качества

Ссылки

Литература

Личные инструменты