Студопедия КАТЕГОРИИ: АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
ЭМПИРИЧЕСКИЙ ПОДХОД В ЗАДАЧАХ С АПРИОРНОЙ НЕОПРЕДЕЛЕННОСТЬЮ.
ОБУЧЕНИЕ
Рассмотренные выше аналитические способы неполного статистического описания х и по существу соответствуют тому, что в каждой конкретной практической задаче создается некоторая аналитическая модель для описания статистических свойств х и с той степенью полноты и подробности, которая соответствует имеющимся знаниям о закономерностях их поведения, физических свойствах, взаимосвязи между собой. Подобная модель является в какой-то степени наиболее сжатым описанием имеющегося прошлого опыта, содержащего как результаты изучения указанных закономерностей, так и, возможно, эмпирические данные относительно х и . На практике бывает и так, что, кроме эмпирических данных, всякая иная априорная информация относительно х и отсутствует. Однако если эти данные получены в обстановке, статистически однородной или хотя бы статистически связанной с той, в которой принимается решение no данным наблюдения х, то они являются в определенной степени статистическим эквивалентом аналитических моделей для распределений вероятности х и , необходимых для нахождения оптимального правила принятия решения. Степень этой эквивалентности, естественно, зависит от объема имеющихся эмпирических данных, которые, в свою очередь, могут быть использованы по-разному: непосредственно для нахождения недостающих распределений вероятности, для оценки функциональной зависимости апостериорного риска от х и решения u, для уточнения структуры и параметров решающего правила (алгоритма обработки данных наблюдения х). Процедуру использования эмпирических данных, которые характеризуют прошлый опыт, обычно называют обучением, а соответствующие алгоритмы — обучаемыми. Для того чтобы яснее представить себе возможный качественный состав имеющихся эмпирических данных и возможные способы их использования при синтезе систем в условиях априорной неопределенности, предположим, что имеется серия повторяющихся ситуаций, статистически однородных или хотя бы статически связанных с той, в которой мы должны принимать решение. Последняя (в соответствии с гл. 2) характеризуется значением параметра , определяющего величину потерь при принятии решения u, и данными наблюдения х, на основе которых принимается решение в соответствии с правилом u = u(x). Пусть теперь имеется N ситуаций, сходных или связанных с основной, в которых получены те или иные эмпирические данные. Каждая из них для характеризуется значением параметров , имеющих ту же природу, состав и содержание, что и параметры . Иными словами, если для ситуации, в которой принимается интересующее нас решение, , где - множество возможных значений параметров , то и каждое из значений является одним из возможных элементов множества ; если имеет распределение с плотностью , то и каждое из значений имеет то же распределение. В общем случае эмпирические данные представляют собой совокупность значений , каждая из составляющих этой совокупности соответствует значению и может содержать тот или иной объем сведений. Характер, значимость и способы использования этих сведений существенно различаются в зависимости от того, производится ли в -й ситуации только наблюдение и регистрация каких-либо данных (аналогичных х для основной рабочей ситуации либо как-то отличающихся от х) или наряду с наблюдением, так же как в рабочей ситуации, осуществляется принятие решения с вытекающими отсюда последствиями. Согласно принятой терминологии, в первом случае говорят о простом обучении, а во втором - о «рабочеподобном». Смысл последнего термина связан с тем, что при получении эмпирических данных воспроизводится не только ситуация, характеризуемая значением параметра , определяющим потери, но и сам процесс решения, подобный тому, который должен быть выполнен в рабочей ситуации. Это является принципиальной основой для получения информации о конкретной величине потерь от принятия решения на каждом -м шаге и использования этой информации для улучшения правила принятия решения на рабочем шаге. Рассмотрим более полно возможный состав эмпирических данных - совокупности для различных случаев. Заметим, что эта совокупность часто называется обучающей последовательностью. Простое обучение
1. Самый простой случай эмпирической статистики - это случай, когда в серии из N независимых наблюдений получены значения , где каждая из составляющих тождественна с точки зрения объема и содержания наблюдаемых данных величине х, получаемой в рабочей ситуации, а значения для известны. В этом случае любая из составляющих совокупности эмпирических данных представляет собой пару , где подчиняется тому же условному распределению вероятности (полностью или частично неизвестному), что и х. Совместное условное распределение вероятности для совокупности значений иданных наблюдения х в рабочей ситуации может быть описано плотностью вероятности , (3.3.1) где - всюду одна и та же функция; известны, 2. Следующий характерный случай, когда каждая из составляющих эмпирической совокупности по-прежнему тождественна по объему и содержанию величине х, но значения параметров неизвестны, то есть истинная ситуация, в которой наблюдается , остается неизвестной. При этом также предполагается, что все ситуации для , в которых получены эмпирические данные и рабочая ситуация статистически однородны, то есть все для и имеют одно и то же распределение вероятности. Совместное распределение вероятности { }и х при заданном значении , для рабочей ситуации в этом случае может быть описано следующей плотностью: , (3.3.2) где - функция правдоподобия (полностью либо частично неизвестная), а , (3.3.3) - плотность безусловного распределения вероятности х, неопределенность которой может быть еще большей, чем функции правдоподобия, из-за частичного либо полного незнания априорного распределения 3. Более общий случай имеет место, если в процессе набора эмпирических данных наблюдаются величины не обязательно тождественные по объему и содержанию х и , но связанные с ними известной функциональной либо более общей вероятностной зависимостью. Это означает, что любая из составляющих может быть описана условным распределением вероятности с плотностью , которое может быть полностью или частично неизвестным (при наличии функциональной зависимости указанная плотность дельтообразна), а полная совокупность эмпирических данных { } и данных наблюдения х в рабочей ситуации имеет условное (при заданном ) распределение с плотностью вероятности , (3.3.4) где . (3.3.5) Величины могут представлять собой, например, отдельные компоненты полного вектора данных наблюдения х (не обязательно одинаковые при разных ), результат наблюдения с дополнительными помехами и ошибками или, наоборот, в лучших по сравнению с рабочей ситуацией условиях и т. п. Следует отметить, что независимость отдельных составляющих совокупности эмпирических данных, которая использована при записи (3.3.1), (3.3.2), (3.3.4), не имеет принципиального значения. Важно лишь существование той или иной степени статистического подобия между рабочей ситуацией и ситуациями, в которых получены эмпирические данные, а распространение рассуждений на случай зависимости и х сводится лишь к соответствующему изменению формы записи совместных распределений вероятности. На основании проведенного выше рассмотрения можно зафиксировать несколько существенных моментов. а). Совокупность эмпирических данных { } имеет ценность с точки зрения принятия решения в рабочей ситуации только в том случае, если имеется априорная неопределенность относительно статистического описания х и . Действительно, если и известны, то,, Сформулированные выводы в равной степени относятся как к простому обучению, так и к «рабочеподобному» б).Для описания частично или полностью неизвестных распределений вероятности совокупности х и эмпирических данных могут быть использованы все обсуждавшиеся в § 3.1, 3.2 методы и, в частности, с успехом применены рассмотренные в § 3.2 методы параметрического описания в случае ограниченных априорных значений. При этом эмпирические данные являются источником информации о неизвестных значениях параметров и функции правдоподобия и априорного распределения вероятности . в). Наличие эмпирических данных , полученных простым .наблюдением без принятия решения в каждой -й ситуации (простое обучение), нисколько не изменяет исходную постановку задачи статистического решения и ее общую формулировку как в байесовом случае, так и при наличии априорной неопределенности. Действительно, так как потери зависят только от значения параметров , в рабочей ситуации (и не зависят от , ), назовем совокупностью данных наблюдения х и то, что мы раньше обозначали этой буквой и вместе с ним все остальные имеющиеся данные, полученные в процессе эмпирического изучения статистики, то есть произведем переобозначение . Поскольку конкретное содержание совокупности х не было ограничено, то естественно, что от такого переобозначения ничего не изменится. Поэтому специальное выделение совокупности данных { }, отражающих прошлый опыт, имеет весьма ограниченное значение, а терминология, связанная с понятием обучения, может быть удобна только из-за наглядности рассуждений. Забегая вперед, необходимо отметить, что этот вывод справедлив и для «рабочеподобного» обучения, если потери во всех ситуациях ( ), за исключением рабочей, равны нулю или несущественны. Рабочеподобное» обучение
Этот несколько необычный термин используется для случая, когда эмпирические данные являются итогом серии действий, каждое из которых происходит в ситуации, соответствующей значению и сопровождается получением некоторой совокупности данных наблюдения и принятием решения , причем выбирается из того же множества решений U, что и решение в рабочей ситуации. При таком способе получения эмпирических данных может встретиться несколько характерных случаев. 1). Потери для всех определяются той же функцией потерь, что и в рабочей ситуации, но несущественны, а сами решения выбираются независимо от нас. Это соответствует использованию чужого опыта в ситуациях, аналогичных интересующей нас рабочей ситуации, о котором мы получаем информацию, но за который в каждом случае принятия решения расплачивается кто-то другой. Очевидно, что этот случай не отличается принципиально от простого обучения, поскольку платить за последствия приходится только один раз - в рабочей ситуации. Может измениться только содержание информации, заключенной в . Наряду с рассмотренным ранее, каждая из составляющих может содержать в себе решение и величину потерь , соответствующую этому решению и значению параметра (известному либо нет), характеризующему -ю ситуацию. Эти сведения довольно содержательны с точки зрения возможности решения задач синтеза систем, когда априори функция потерь , то есть критерий качества системы, не задана или известна неполностью. Эмпирические данные { } для различных позволяют с той или иной степенью полноты восстановить зависимость функции потерь или апостериорного риска от своих аргументов для принятия оптимального решения в рабочей ситуации. В отношении постановки задачи отыскания правила решения в этом случае имеет место все сказанное в п. 3.3.1 в. 2). Для всех и в рабочей ситуации решения и выбираются независимо, причем решение выбирается из условия минимума ожидаемых потерь для функции , а решение - для функции . Функции могут быть как одинаковыми с , так и различными. Независимый выбор решений означает требование локальной оптимальности для каждого элемента серии и рабочей ситуации. Любая из составляющих может иметь то же содержание, что в п. 1, то есть наряду с данными подобными х, содержать сведения о , и . Довольно часто совокупность { } представляет собой упорядоченную последовательность. В этом случае каждое очередное решение может зависеть от всех , подобно тому, как решение в рабочей ситуации может использовать х и . 3). Следующим характерным случаем является такой, когда последовательность решений и решение в рабочей ситуации объединены единой целью, количественным выражением которой является функция потерь , и требуется минимизировать общий риск, соответствующий этой функции потерь. При этом решения и уже не могут приниматься независимо, а выбор частных решений в процессе набора эмпирических данных должен обеспечивать как уменьшение риска в каждой -й ситуации, так и его минимальное значение в конечной рабочей ситуации. Обычно серия представляет в этом случае упорядоченную последовательность, что соответствует возможности выбора решения , зависящего от всех предыдущих значений и соответственно . Составляющие эмпирической последовательности могут иметь ту же природу, что и выше, а сама последовательность решений представляет собой многошаговый процесс, описанный в §2.7. Два наиболее типичных случая задания меры потерь соответствуют аддитивной функции потерь, когда (3.3.6) ифункции потерь, не зависящей от { }, то есть . (3.3.7) Последняя сосредоточивает все внимание при выборе решений в процессе набора эмпирических данных на обеспечении минимальных потерь в рабочей ситуации. Естественно, что для функции потерь (3.3.7) зависимость в выборе решений будет только тогда, когда эмпирические данные действительно имеют ценность, то есть существует априорная неопределенность, связанная с незнанием или неполным знанием функции правдоподобия и априорного распределения , или имеется статистическая зависимость между х и { }. В противном случае, как следует из общих выражений гл. 2, многошаговый процесс принятия решений распадается на отдельные независимые шаги и выбор последовательности решений { } не влияет на выбор решения в рабочей ситуации. В заключение отметим, что, как и в разд. 3.3.1, при наличии эмпирических данных может быть различная степень априорной неопределенности в отношении статистического описания х, и { } - от полного незнания их распределений вероятности до полного статистического описания; и как и в предыдущих случаях, чрезвычайно удобно параметрическое описание с использованием имеющихся физических представлений и соответствующих им закономерностей.
|
||
Последнее изменение этой страницы: 2018-04-12; просмотров: 583. stydopedya.ru не претендует на авторское право материалов, которые вылажены, но предоставляет бесплатный доступ к ним. В случае нарушения авторского права или персональных данных напишите сюда... |