Thingamabob：创建页面，内容为“==判断模型好坏的标准是什么== 400px 判断模型好坏的首要标准是什么？ File:distributions_figure_2.png…”

2020-10-14T12:56:39Z

创建页面，内容为“==判断模型好坏的标准是什么== 400px 判断模型好坏的首要标准是什么？ File:distributions_figure_2.png…”

新页面

==判断模型好坏的标准是什么==

[[File:distributions_figure_1.png|400px]]

判断模型好坏的首要标准是什么？

[[File:distributions_figure_2.png|500px]]

A open question, the answer depends on your own taste.

来自《少年派》的启示：你看到什么取决于你选择什么样的世界活着。

===关于S曲线和logistic 方程的讨论===

各种学科中关于S曲线的研究可谓汗牛充栋，罗杰斯的《创新扩散》是典型代表。许多人认为，呈S曲线状的数据说明了该变量的增长满足logistic方程，真的是这样吗？我们发现：

'''1. 使用许多其他方程都可以拟合S曲线'''

[[File:distributions_figure_3.png|700px]]

'''2. 不但其他方程（例如多项式）可以拟合S曲线，logistic方程也可以拟合完全不具备“S”形状的曲线'''

[[File:distributions_figure_4.png|500px]]

一般我们用logistic方程拟合S曲线，但其实长得像“S”的曲线完全可以用其他方程，如多项式拟合，而logistic方程也完全可以拟合长得根本不想“S”的任意一个单调数据曲线。

小结来说，S曲线，仅仅是数据在人眼中的某种形状，从统计拟合的角度说，与logistic方程，或者任意其他方程没有必然联系。

'''3. 总是坚持使用logistic方程（或者其他方程）来拟合S曲线并不会有效降低我们犯错误的概率'''

这篇文章列出了手机扩散的数据，我们来试着拟合一下其中部分数据点。

[[File:distributions_figure_7.png|500px]]

我们先选择1992年到2003年的数据，分别用logistic和多项式进行拟合

[[File:distributions_figure_5.png|500px]]

两者的R方都接近1，不相上下，但是，对未来的预测却区别相当大。

[[File:distributions_figure_6.png|500px]]

补充了2004年的数据点后，我们发现多项式预测的效果比logistic方程好很多。所以原文中用Logistic拟合数据点意义不大。甚至可能误导读者。如果一定要使用logistic模型，那么也应该将数据划分成训练集和测试集，如果logistic模型对未来时间点的预测能通过测试，才可以。因为这个时候logistic方程本身没有理论解释的意义（它并不能在数据之外向我们多提供关于变量本身生长机制的信息），仅仅是为了追求预测力存在，那么就应该接受预测效力的检验。

'''4. 什么情况下logitsic方程存在解释意义呢？'''

[[File:distributions_figure_8.png|500px]]

logistic方程在提出的时候，是有理论假设的，不过在后来的误用中变成了一个和K-means这种机器学习方法一样，没有domain-specific的理论意义，仅仅是为了拟合数据而存在模型。实际上， logistic curve 机制的假设是，增长量与已有人口数和剩余资源成正比。根据参数不同，生物种群在增长过程中可以有r策略和t策略，前者多生，后者善养。如果在这种非常具体的生物种群随时间增长场景里，考虑到模型数学假设的实际意义，是可以使用logistic模型的。

==各种分布及其产生机制==

这两份[http://pan.baidu.com/s/1pJrZxZt 连续分布]和[http://pan.baidu.com/s/1c07UOuc 离散分布]的文献值得参考

推荐阅读：[http://arxiv.org/pdf/0906.3507v1.pdf The common patterns of nature]

由于数据在时间里的趋势的规律难以把握（考虑股票价格的例子），对于单变量数据，我们可以上升一个抽象层次，考虑数据的分布，而不是时间趋势。下面这张图列出了各种常见的分布及其可能的机制

[[File:distributions_figure_9.png|800px]]

下面这张图列出了各种常见的分布及其相互的关系

[[File:distributions_figure_10.png|800px]]

根据以前的文献，我们可以总结出一些分布及其对应的机制

{| class="wikitable"
|-
! 分布 !! 产生机制
|-
| Normal distribution || 由大量不完全相关的随机因素决定的事件：同一物种生物个体的大小

|-
| Poisson distribution || 一块空间或时间内产生的事件的数量（当事件的发生概率比较小时）：巴士抵达，DNA变异，机器故障

|-
| Exponential distribution || 小概率事件首次发生的等待时间，无记忆性，机器与生物体的寿命（功能障碍由于单个部件失效）

|-
| Gamma distribution || 小概率事件第n次发生的等待时间，生物体的寿命（功能障碍由于多个部件同时失效）

|-
| Pareto distribution
|| 能量与物质在时空中快速流动时观察到的分配，地震、飓风与火山爆发的能级，金融动荡，人类社会的财富分配，人类语言中的单词，互联网上的用户活动与网站规模

|}

当然，分布与机制之间的关系也并不是一一对应的，不同的机制可能导致不同的分布，也可能导致相同的分布。

[[File:distributions_figure_11.png|600px]]

上图是不同分布，不同机制的例子，两篇文章分别提出了不同的人类互动间隔时间分布，给出了不同的模型。

[[File:distributions_figure_12.png|600px]]

上图是相同分布，不同机制的例子，两篇文章都试图解释网页之间超链接的幂律分布，但模型确是不同的。

==分布与卷积==

卷积对应着多个随机变量的合并，近似对应着单个变量统计精度的降低，这两件看起来风马牛不相及的事，背后有没有什么有趣的联系呢？

[[File:distributions_figure_13.png|500px]]

对近似的讨论，我们先从两种画CDF的不同方法开始。

a-c展示了第一种方法。先对数据做frequency，得到PDF，再对PDF做累加，得到CDF。

从一个标准正态分布中取一个规模为1000的随机样本X，保留小数位后8位，这1000个取值都是不同的。如果直接做PDF，就得到一条近似于均匀分布的线，非常靠近x轴。如果只保留7或6位小数做近似处理，有些取值开始重复，PDF的中间渐渐“鼓起来”，而整个曲线也变得越来越光滑。a显示了近似程度不同时候画出的PDF，越外围的曲线保留的小数位越小。为了更清晰地显示出不同曲线的差别，a的y轴以log坐标显示，得到b。

c是根据不同近似程度的PDF画出来的CDF，值得注意的是，不同近似标准下，PDF虽然不重合，CDF却是重合的。这里为了便于比较，把保留小数位较多的CDF往右移。可以清晰地看到，虽然CDF是重合的，但保留小数位小的CDF的数据点也少，因此在判定CDF函数及估计参数时将会因为数据点较少产生偏误。

d图是第二种方法，不考虑PDF，直接画CDF。首先将Xi升序排列，将排列后的Xi作为x轴，其序号rank作为y轴（重复的Xi给与同样的rank）。因为Xi的序号恰好就是“比该Xi小的数值个数”，因此把y轴归一化（除以最大的rank即1000）后即得到CDF。这种CDF的画法不做任何近似，因此最大程度地保留了原始数据的信息。

[[File:distributions_figure_14.png|500px]]

你是否感觉刚才的PDF的图似曾相识呢？对，我们在讨论卷积时（The common patterns of nature）已经见过这个“不断光滑”的正态分布曲线。

总结一下，有两件事都可以使PDF变得更加“光滑”：

1. 在做一个变量的frequency时，不断地降低统计精度，提高近似程度（approximation）（图1）

2. 统计精度不变，但把多变量合并成单变量（aggregation）。如果我们把图2的第一列PDF也弄成CDF，就会发现和上页图3一样的pattern，有了几乎是重合但数据点多少不同5条CDF（第一个CDF只有3个数据点，最后一个CDF几乎已经是完美曲线）。

原来，近似和卷积的共同本质都是“加大观察的scale，忽略信息”。所以它们对应着类似的现象。

现在的问题是，我们能不能将近似表达为与卷积类似的数学过程呢？
[[Category:旧词条迁移]]

各种分布及其产生机制 - 版本历史

Thingamabob：创建页面，内容为“==判断模型好坏的标准是什么== 400px 判断模型好坏的首要标准是什么？ File:distributions_figure_2.png…”