大数据：应用于计量学的新技巧 - 第三章 一般为预测需要做的考量

第三章 一般为预测需要做的考量

一般来说，预测的目标是使用那些样本外的输入值也能够达到良好的预测结果。从我们的经验上看，对于样本内的输入值来说，建立一个能用的“预测机”十分简单，但不幸的是对于样本外的基本都没法用。举个小例子，n个线性独立回归因子可以完美的拟合n个观察值，但是对于预测样本外的输入值来说就完了。机器学习的专家们称这个现象叫做“过度拟合问题”，当然他们对这个问题也有一些解决方法。

 

首先，由于简单模型对于样本外内的输入值有更好的预测效果，机器学习专家决定使用不同的方式来“惩罚”那些过度复杂的模型。在机器学习的世界里，这个方法被称之为“规范化”。之后我们会举几个例子。经济学家同样喜欢简单的模型，使用的原因也和机器学习专家一样，但并没有很明确的量化由复杂性带来的开销。

 

其次，一般来说我们会根据训练，测试以及验证这三个机器学习的步骤来将数据集分割成3份，用用来训练的数据来估计模型，用用来验证的数据来选择模型，然后用用来测试的数据来验证所选择的模型究竟如何。（通常来说验证和测验集合是放在一起的）

 

其三，如果我们有一个明确的量化值来测量模型的复杂度，我们可以将其变成一个参数用来调整优化预测结果。通常我们会使用称为k-折交叉验证的方法来选择一个良好的调整参数。

 

1.    将数据分成k份大概相同大小的子集，并将它们标记为 s=1,...,k，第一个子集定义为s=1。

2.    选一个值作为调整参数。

3.    用数据子集中的k-1个子集来训练模型。

4.    用剩下的那个子集s来验证并计算出相对的损失。

5.    如果s=k，停止；否则s=s+1然后回到第2步。

 

一般来说k值通常是10，5或者是样本大小减1，做完交叉验证后，你会得到一系列k的值以及对应的损失，然后就可以去选择一个合适的k值作为调整参数。甚至来说，如果根本不需要调整参数，使用这样的交叉验证的方法得到拟合优度的测量值还是很重要的，毕竟用样本外的输入值来测试要比样本内的输入值更有意义，当学者就要谨慎为之嘛。

 

在机器学期中会经常用到这种训练-测试周期以及交叉验证的方法，在我看来，他们更应当用在经济学当中，特别是当我们需要处理大规模的数据的时候。这些年来，经济学家总是用“我们收到的数据少的都不够训练的”这样的借口使用样本内的输入值来进行拟合优度的测量，但是现在拿到大数据不像以前那么难了，没有必要说还是使用相同的数据集来同事对模型进行训练以及测试。特别对于大数据来说，交叉验证的方法是一个很有用途的验证法，相比在经济学中常用的测量方式来说，这种方法得到的测量更加的现实，更加的有意义。