UNIVERSITETET I OSLO

Transkript

1 UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2 Maskinlæring og statistiske metoder for prediksjon og klassifikasjon Eksamensdag: Torsdag 4. juni 28. Tid for eksamen: Oppgavesettet er på 7 sider. Vedlegg: Tillatte hjelpemidler: Ingen Godkjent kalkulator og formelsamlinger for STK/STK og STK2 Kontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Oppgave Vi skal i denne oppgaven se på et datasett om overlevelse etter Titanic katastrofen. Variablene som inngår er Survival =Nei, =Ja, faktor Age Alder i måneder, en numerisk variabel Pclass Billett klasse, =st, 2=2nd, 3=3rd, faktor Sex Kjønn (menn/kvinner), faktor Sibsp Antall søsken/ektefeller ombord, numerisk. Parch Antall foreldre/barn ombord, numerisk Fare Billettpris, numerisk Cabin Kabin nummer, faktor som i utgangspunktet har 48 ulike verdier, men som er redusert/gruppert til 9; N (no cabin), A, B, C, D, E, F, G, T. Embarked Havn for ombordstigning, C=Cherbourg, Q=Queenstown, S=Southhampton, faktor Vi vil se på et delsett av det totale sett bestående av 72 individer. Vi vil starte med en enkel logistisk regresjonsmodell. Tilpasning ga følgende regresjonstabell: (Fortsettes på side 2.)

2 Eksamen i STK2, Torsdag 4. juni 28. Side 2 Estimate Std. Error z value Pr(> z ) (Intercept) Pclass Pclass Sexmale Age SibSp Parch Fare CabinA CabinB CabinC CabinD CabinE CabinF CabinG EmbarkedQ EmbarkedS Når en bruker denne modellen til å predikere de samme data (ved å predikere til den mest sannsynlige klassen) får vi en feilrate på 9.%. Log-likelihood verdien for denne modellen er (a) Forklar hvorfor regresjonstabellen lister opp færre rader enn antall nivåer for faktor variablene. Gitt at vi her har en Treatment begrensning (vi setter koeffisienten svarende til det første nivået lik null), hva slags tolkning har da regresjonskoeffisientene for de øvrige nivåer? (b) Beregn AIC-verdien for denne modellen. Diskutér hvorfor det kan være rimelig å forenkle modellen noe. (c) Nedenfor er utskrift fra en alternativ modell: Estimate Std. Error z value Pr(> z ) (Intercept) Pclass Pclass Sexmale Age SibSp Når en bruker denne modellen til å predikere de samme data (ved å predikere til den mest sannsynlige klassen) får en en feilrate på 9.38%. Log-likelihood verdien for denne modellen er Forklar hvorfor log-likelihood verdien blir mindre i dette tilfellet. Argumentér hvorfor denne modellen likevel er å foretrekke. (Fortsettes på side 3.)

3 Eksamen i STK2, Torsdag 4. juni 28. Side 3 En alternativ modell er en generaliserte additive modell (GAM). Plottene nedenfor viser de ikke-lineære funksjoner som inngikk i en modellen der de samme forklaringsvariable som i oppgave (c) ble brukt. Log-likelihood verdien for denne modellen er mens estimert antall frihetsgrader er 8.4. s(age,2.6) s(sibsp,.84) Age SibSp (d) Forklar hvordan antall frihetsgrader blir beregnet i dette tilfellet. Bruk dette til å sammenlikne denne modellen med de tidligere modeller. Kommentér om plottene viser signifikante ikke-lineariteter. (e) Nok en alternativ modell kan fås ved å bruke klassifikasjonstrær. Nedenfor er et plot av et klassifikasjonstre basert på endenoder. (Fortsettes på side 4.)

4 Eksamen i STK2, Torsdag 4. juni 28. Side 4 Classification Tree for Titanic Sex=b 424/288 Cabin=ah 36/93 Pclass=c 64/95 Age>=3.5 37/52 Age>=7.5 53/4 Fare>=2.8 55/47 9/48 32/43 5/9 Cabin=dg 53/33 /8 2/3 Age>=6.5 35/44 22/6 Age>=43.5 3/27 Age>=36.5 3/28 4/6 9/7 2/2 6/ Parch<.5 25/27 Fare>= /8 4/9 5/8 6/ Diskuteŕ hvorfor klassifikasjonstrær gir mulighet for å inkludere interaksjoner mellom forklaringsvariable. Forklar hvorfor en likelihood funksjon for et klassifikasjonstre med en respons tilhørende to klasser kan skrives på formen L(θ) = n i= p y i i ( p i) y i der p i = c m for x i R m. (f) For det spesifikke tre fikk vi en log-likelihood verdi på Bruk dette til å vurdere denne modellen mot de tidligere modellene. (g) Diskutér hvorfor det kan være hensiktsmessig å beskjære trær. Nedenfor er et tre beskåret ned til 9 endenoder. Log-likelihood verdien i dette tilfellet er Vurder også denne modellen mot de tidligere modeller. (Fortsettes på side 5.)

5 Eksamen i STK2, Torsdag 4. juni 28. Side 5 Pruned Classification Tree for Titanic Sex=b 424/288 Cabin=ah 36/93 Pclass=c 64/95 Age>=3.5 37/52 Age>=7.5 53/4 Fare>=2.8 55/47 9/48 32/43 5/9 Cabin=dg 53/33 /8 2/3 35/44 22/6 Age>=43.5 3/27 9/7 2/2 (h) Nedenfor er gitt en tabell over estimert feilrate basert på kryssvalidering (delt opp i 8 grupper). Alternative metoder som Bagging, Random Forest og nevrale nett er også inkludert. Metode Feilrate (%) Logistisk regresjon, alle variable 5.59 Logistisk regresjon, variabel seleksjon 7.84 GAM, alle variable.24 GAM, variabel seleksjon 6.85 Klassifikasjonstre, noder 2.37 Klassifikasjonstre, 9 noder 9.94 Bagging 2.79 Random Forrest 9.38 Nevrale nett (5 latente noder) 2.37 Dype nett (3 latente lag med 5 noder i hver) Diskutér fordelene med å bruke kryss-validering for å evaluere metoder. Beskriv kort hvordan Bagging, Random Forest, Nevrale nett og dype nett fungerer. (i) Diskutér mulige forklaringer på at de mest enkle metoder ser ut til å fungere best i dette tilfellet. Anta du velger den metode med minst estimert feilrate, diskutér hvordan du kan si noe om hvor godt denne valgte metoden vil virke. Ta med både styrker og svakheter med ditt valg. (Fortsettes på side 6.)

6 Eksamen i STK2, Torsdag 4. juni 28. Side 6 Oppgave 2 Anta en lineær regresjonsmodell Y i = β + β x i + β 2 x i2 + ε i, i =,..., n der ε i N(, σ 2 ) og alle støyledd er uavhengige. (a) Vis at vi kan skrive om modellen til Y i = β + β x i + β 2 x i2 + ε i, i =,..., n der i x i = i x i2 =. Hva slags tolkning har β i denne formuleringen av modellen? (b) Anta vi ønsker å estimere β = (β, β, β 2 ) ved minimering av h(β, β, β 2 ) = n (y i β β x i β 2 x i2 ) 2 + λ β 2 + λ 2 β2. 2 i= (Vi vil i det etterfølgende kalle de verdier som minimerer h for de optimale verdier). Diskutér situasjoner hvor det kan være hensiktsmessig å bruke λ λ 2. Vis at minimering av h(β) kan oppnås ved minimering av h( β, β, β 2 ) = n (y i β β x i β 2 x i2 ) 2 + λ β 2 + λ 2 β2. 2 i= Finn den optimale verdi for β. (c) Sett opp et ligningssystem som de optimale verdier av (β, β 2 ) må tilfredsstille. Under antagelsen om at i (x i x )(x i2 x 2 ) =, utled eksplisitte uttrykk for de optimale verdier for (β, β 2 ). Hva blir den optimale verdi for β da? Vi vil nå se på Hitters datasettet der en ønsker å predikere Salary basert på mange ulike forklaringsvariable. Vi vil imidlertid kun se på to av disse her: PutOuts og Hits. En enkel lineær regresjon basert på de to forklaringsvariablene ga følgende resultater: Estimate Std. Error t value Pr(> t ) (Intercept) PutOuts Hits For å se på effekten av straffeledd, ble 3 ulike forsøk sammenliknet: (Fortsettes på side 7.)

7 Eksamen i STK2, Torsdag 4. juni 28. Side 7 λ = λ 2 =. λ = λ 2 = λ der λ er bestemt ved minimering av kryss-validert estimat på kvadratisk feil. λ λ 2 der (λ, λ 2 ) er begge bestemt ved kryss-validert estimat på sum av kvadratisk feil De kryss-validerte estimatene på sum av kvadratisk feil ble henholdsvis 63367, 6366 (λ = 2.) og 6342 (λ = 2., λ 2 = 2.2). (d) Hva slags metoder svarer de 2 første forsøk til? Basert på resultatene som er oppgitt, hvorfor kan det være rimelig at den optimale felles λ verdi i det andre forsøket svarer til λ i det tredje forsøket? Diskutér utfordringer i forbindelse med å innføre ulike straffeledd for de forskjellige forklaringsvariable når antall forklaringsvariable øker.