ESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA

Transkrypt

1 ESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA Jan Mielniczuk Wisła, grudzień 2009

2 PLAN Błędy predykcji i ich podstawowe estymatory Estymacja błędu predykcji w modelu liniowym. Funkcje kryterialne Własności predykcyjne estymatorów postselekcyjnych Metoda minimalizacji ryzyka strukturalnego

3 BŁĘDY PREDYKCJI I ICH PODSTAWOWE ESTYMATORY

4 Rozpatrywane problemy (i) Regresja wielokrotna z losowymi zmiennymi objaśniającymi Wektor losowy (X, Y ) R p R o rozkładzie P X,Y takim, że Y = f (X) + ε, ( ) f : R p R, ε zmienna niezależna od X, E(ε) = 0. Uwaga. Założenia implikują f (X) = E(Y X) i ε = Y E(Y X). Dla takich f i ε, ( ) spełniona oczywiście zawsze, tu zakładamy dodatkowo niezależność X i ε.

5 (ii) Klasyfikacja pod nadzorem Tak jak w (i), zakładamy dodatkowo, że Y {1, 2,..., K} (Y - indeks przynależności do populacji). Nie zakładamy niezależności X i ε. Obserwowalna p.p.l. U = {(X 1, Y 1 ),..., (X n, Y n )} z rozkładu P X,Y. Na jej podstawie estymator ˆf (x) używany do prognozy zmiennej Y 0 :. Ŷ 0 = ˆf (X 0 )

6 surface Q Q Q Q QQ Q Q Q Q Q Q Q Q X X XX X X X Q X body

7 (iii) Estymacja gęstości zmiennej losowej Y Y 1,..., Y n p.p.l. z rozkładu P Y o gęstości f. Estymacja f w oparciu o model parametryczny M = {f θ } θ Θ. (iv) Estymacja gęstości warunkowej (X 1, Y 1 ),..., (X n, Y n ) p.p.l. z rozkładu P X,Y na R p R. Estymujemy gęstość warunkową Y pod warunkiem X = x w oparciu o model parametryczny M = {f θ(x) } θ Θ, x R p

8 Problem prognozy (X 0, Y 0 ) P X,Y niezależna od U. - Jak dalece ˆf (X 0 ) różni się od Y 0? (Problem (i) i (ii)) - Jak dalece gęstość fˆθ różni się od gęstości f? (problem (iii)) - Jak dalece gęstość fˆθ(x 0 ) różni się od gęstości f Y 0 X0? (problem (iv)) Błędy rozpatrywane w (iii) i (iv) będą związane z problemem prognozy.

9 Funkcje straty Problemy (i) i (ii): L(y, ˆf (x)) 0 : (y ˆf (x)) 2, y ˆf (x), I {y ˆf (x)} (funkcja straty 0-1 dla problemu (ii)). Problemy (iii) i (iv): L(y, ˆθ(x)) : L(y, ˆθ) = 2 log fˆθ (y) L(y, ˆθ(x)) = 2 log fˆθ(x) (y)

10 Błąd predykcji (uogólnienia) (X 0, Y 0 ) P X,Y niezależna od U. Err U = E(L(Y 0, ˆf (X 0 )) U) Err U = E(L(Y 0, ˆθ(X 0 )) U) (i), (ii) (iii), (iv) Warunkowy błąd predykcji ( w (ii): prawdopodobieństwo błędnej klasyfikacji), Err U = G(U) jest funkcją próby U. Dla ustalonej próby uczącej U konstruujemy predyktor ˆf i oceniamy jego działanie dla nowej obserwacji (X 0, Y 0 ). Miara jakości odpowiadająca faktycznej funkcji predyktora.

11 Bezwarunkowy błąd predykcji Err = E(Err U ) Uśredniamy losowość próby uczącej, na podstawie której skonstruowano predyktor (Hastie et al., ESL). Wewnątrzpróbkowy błąd predykcji (in-sample error) Y 0 i P Y X=Xi niezależne, i = 1, 2,..., n. Y 0 = (Y 0 1,..., Y 0 n ) Err in = 1 n n i=1 E Y 0(L(Y 0 i, ˆf (X i )) U) Losujemy indeks I {1,..., n}, nowa obserwacja Yi 0 i = I, dla niej oczekiwany błąd predykcji. w punkcie X i dla

12 Estymatory błędu predykcji estymator metodą próby testowej estymator metodą powtórnego podstawienia err estymator kroswalidacyjny Err ˆ CV estymator metodą bootstrap Err ˆ boot

13 Estymator metodą próby testowej Oprócz próby uczącej U dysponujemy również w pełni obserwowalną próbą testową T (D = U T, U T = 0), T = m Mamy ˆ Err U = 1 m m I {(X i, Y i ) T : ˆf (X i ) Y i }. i=1 E T ( ˆ Err U U) = Err U Nieobciążone oszacowanie prawdopodobieństwa błędnej klasyfikacji. Ale często w powyższym schemacie będziemy używać estymatora ˆf D a nie ˆf U - wtedy zbyt konserwatywnie z reguły oceniamy prawdopodobieństwo błędnej klasyfikacji tego klasyfikatora.

14 Trudny problem: Err U = 0.05, ErrU (1 Err U ) = m m m 1900!! Dwie możliwości zastąpienia próby testowej: metoda analityczna - uwzględnienie obciążenia estymatora metodą powtórnego podstawienia metoda repróbkowania - efektywne ponowne użycie próby uczącej

15 Estymator metodą powtórnego podstawienia err = 1 n n L(ˆf (X i ), Y i ). i=1 err jest naturalnym estymatorem Err U. Ale: elementy próby U pełnią funkcję niezależnych od U obserwacji (X, Y ). Jest estymatorem optymistycznym w tym sensie, że z reguły możemy sie spodziewać, że Możemy porównać err < Err U. E Y ( err X) z E Y (Err in X) Y = (Y 1,..., Y n ), X = (X 1,..., X n ).

16 Twierdzenie 1. Dla kwadratowej funkcji straty w (i) i 0-1 w (ii) E Y ( err X) = E Y (Err in X) 2 n n Cov(Ŷi, Y i X). Im bardziej elastyczna metoda predykcji (silnej skorelowane Ŷi i Y i ) tym większy optymizm err. Człon kara kowariancyjna. 2 n i=1 n Cov(Ŷi, Y i X) i=1

17 Dowód Porównujemy przy ustalonym X kwadraty wyrażeń (Y i ˆf (X i )) (1) z (Y 0 i ˆf (X i )) (2) (1) = (Y i f (X i )) (ˆf (X i ) E(ˆf (X i ) X) + (f (X i ) E(ˆf (X i ) X) =: A + B + C (2) = A + B + C A := Y 0 i f (X i ) Liczymy E((1) 2 X) i E((2) 2 X) 2E(A B X) 2E(A B X) E(A B X) = E Y (E(A B X, Y)) = E Y (BE(A X, Y)) = 0 E(AB X) = Cov(Y i, Ŷi X)

18 Model liniowy Przypadek szczególny (i): Y i = X iβ + ε i X i = (X i1,..., X ip ), β = (β 1,..., β p ). X = (X 1, X 2,..., X n ) macierz eksperymentu n p z wierszami = X 1, X 2,... X n. Z definicji Err in = n 1 n i=1 E Y 0(Y i 0 ˆf (X i )) 2 U) E Y (Err in X) = σ n E( Xˆβ Xβ 2 X)

19 Fakt Dla modelu liniowego n Cov(Ŷi, Y i X) = pσ 2, i=1 jeśli rząd X = p i σ 2 = Var(ε). Dowód Ŷ = HX, gdzie H = X(X X) 1 X n Cov(Ŷi, Y i X) = E((HY Xβ) ε) X) = i=1 = E(ε Hε) = pσ 2. Tylko w przybliżeniu prawdziwe dla innych modeli i metod!

20 Dla modelu liniowego i kwadratowej funkcji straty estymator E Y (Err in X) ma postać err + 2 p n ˆσ2 = 1 n RSS + 2p n ˆσ2 ( ) Jeśli E ˆσ 2 = σ 2 to ( ) nieobciążony estymator E(Err in X). W takiej sytuacji nieobciążony estymator 1 n E( Xˆβ Xβ 2 X) ma postać Funkcja kryterialna Mallowsa. C p = 1 n RSS + 2p n ˆσ2 ˆσ 2.

21 Estymator kroswalidacyjny (rotacyjny) oczekiwanego błędu prognozy Err Modele (i) i (ii). Próbę U dzielimy na K > 1 w przybliżeniu równych części. κ : {1,..., n} {1,..., K} (funkcja przynależności do elementu podziału). Ŷ i j = ˆf i (X j ) prognoza Y j na podstawie próby z usuniętą i-tą częścią. CV = 1 n L(Y j, Ŷ κ(j) j ). n Y j prognozowana na podstawie próby niezależnej od Y j zgodnie z definicją Err. Co estymujemy? U i : próba z usuniętą i-tą częścią. Oszacowanie błędu j=1 CV = 1 K K Ê(L(X, Y ) U i ) = Ê(Err U 1) i=1

22 Nie estymujemy warunkowego błedu klasyfikatora ˆd U dla danej próby U tylko oczekiwany błąd klasyfikatora ˆd U 1 = Err (n(k 1)/K) Hypothetical learning curve 1 err

23 Uwagi o estymatorze kroswalidacyjnym 1. Liczba podziałów K = 5, 10 i K = n. (leave-one out). W ostatnim przypadku najmniejsze obciążenie estymatora (jako oszacownania Err n dla liczności próby n), największa wariancja (skorelowanie czynników w definicji CV. 2. Obciażenie estymatora kroswalidacyjnego jako estymatora Err n dla K = 5, 10 może być znaczne.

24 cp 3. Niestabilność CV związana z losowością podziału na K części. size of tree X val Relative Error Inf

25 size of tree X val Relative Error Inf cp

26 size of tree X val Relative Error Inf cp

27 size of tree X val Relative Error Inf cp

28 CV jako metoda estymacji Err U i Err Przykład (ESL, rozdział VII) (Y, X) {0, 1} R 20 : Y = 1 jeśli 10 i=1 X i > 5, 0 w przeciwnym przypadku. CV-10 i CV leave-one-out jak estymatory Err U i Err liczone dla 100 prób uczących (n = 80). Metoda estymacji: regresji liniowa dla najlepszego podzbioru predyktorów danej liczności (argmin M: M =p RSS M ) Czerwona linia - Err Czarna linia - ECV 10 i ECV n

29

30

31

32

33