Comparaison et sélection Bayésienne de modèles Julien Diard Laboratoire de Psychologie et NeuroCognition – CNRS UE Cognition bayésienne 24/02/2009 http://julien.diard.free.fr Julien.Diard@upmf-grenoble.fr
Correctif Ernst & Banks
Cas mono-modal
Integration visuo-haptique 0% 67% 133% 200%
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
Importance des variables cachées
Modélisation d’une série temporelle
P(y)
Variable cachée V1 = {Bleu, Rouge} V1=R V1=B 10
P(y | [V1=R]) P(y | [V1=B]) 11
V2 = {Bleu, Rouge} [V1=R] [V1=B] P(y | [V1=R] [V2=R]) P(y | [V1=R] [V2=B]) [V1=R] P(y | [V1=B] [V2=R]) P(y | [V1=B] [V2=B]) [V1=B] 12
Digression : entropie Déf : Exemple : [Shannon, 1948] 13
Exemple 2 : P(X), X = {-1, 0, 1} 14
Variables cachées, connaissance et entropie Théorème : Les variables cachées apportent de l’information P(y) P(y | [V1=B] [V2=B]) 15
Prédiction de la prochaine valeur ? P(y) P(y | [V1=B] [V2=B]) 16
Pour 2007, [V1=B] et [V2=B] 17
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
Sources
Devinettes Quel est le suivant ? {1, 3, 5, 7, 9, 11, ?} {1, 1, 2, 3, 5, 8, 13, ?} {0, 4, 7, 6, 8, 2, 5, 8, 9, 3, ?}
Réponses {1, 3, 5, 7, 9, 11, ?} 42 {1, 1, 2, 3, 5, 8, 13, ?} 42 {0, 4, 7, 6, 8, 2, 5, 8, 9, 3, ?} 42
Devinette n° 2 Combien de méthodes pour définir une relation mathématique ?
Combien de méthodes pour définir une relation mathématique ? Par fonction analytique f E F x | f(x) Par extension Ensemble de points (pas pratique pour un ensemble infini)
Quelle méthode pour la devinette ? Passage de points à une fonction Utilisation de la fonction pour prédire le point suivant Modélisation Passage de points à un modèle Utilisation du modèle pour prédire le point suivant
Modélisation Définition d’une classe de modèles Sélection du modèle Qui maximise une mesure donnée Méthode très générale ! Machine learning Réseau de neurone Algorithmes génétiques Apprentissage bayésien Curve fitting Optimisation
Mesures de qualité de modèles Falsifiability Existe-t-il des observations incompatibles ? Explanatory adequacy Make sense of the data but also established findings Interpretability Réifiabilité : les paramètres sont liés à d’autres processus Faithfulness La qualité du modèle vient de sa structure, pas de propriétés du calcul, de la simulation Goodness of fit Complexity (or simplicity) Generalizability (Léna Soler, Introduction à l’épistémologie, Ellipses, 2000) (Myung 03)
Fit vs complexity Fit to regularity Fit to experimental noise Intéressant à modéliser Fit to experimental noise Pas intéressant
Théorème Par n points passe un unique polynôme de degré n-1 n points (ou contraintes) Polynôme degré n-1 a n paramètres f(x) = ax2 + bx + c Par deux points passe une unique droite Par trois points passe une unique parabole
Théorème Par n points passe un unique polynôme de degré n-1 Idem développement limité de Taylor Idem Transformée de Fourier avec assez de paramètres, on approxime tout
Fit vs complexity
Complexité d’un modèle = Nombre de paramètres + Forme fonctionnelle M1 : y = sin(cos(ax))aexp(-bx)/xb M2 : y = axb M3 : y = ax + b a=12 b=1
Fonctionnelle de Tikhonov Mesure à minimiser R(M, Δ) = GM(Δ) + λ H(M) GM(Δ) mesure de fit H(M) mesure de complexité (indépendante de Δ) λ : poids relatif Tradeoff a résoudre : complexity regularization (idem en machine learning)
Generalizability
Mesure de generalisation Mesure de la divergence moyenne (discrepancy) entre un modèle M et le vrai modèle MT Mesure de divergence entre distribution de probabilité D D(f,g) > D(f,f)=0 si f ≠ g
Mesure de generalisation Mesure de la divergence moyenne (discrepancy) entre un modèle M et le vrai modèle MT MT est évidemment inconnu
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
Cross-validation (CV) Estimer la généralisation du modèle sans connaître le vrai modèle Partitionner les données Δ Identification de paramètres sur la partie calibration Estimation de la capacité de généralisation sur la partie validation
Méthodes de CV Split-sample, hold-out method Split-half cross-validation Coupe en deux Δ = Δ1, Δ2 Estime les paramètres sur Δ1 Calcule l’erreur de prédiction sur Δ2 e1 Intervertir Δ1, Δ2, recommencer e2 Validation croisée Erreur de prédiction finale : moyenne des erreurs de prédiction (e1 + e2) / 2
Méthodes de CV Leave-one-out cross-validation Découper en n-1 données pour l’identification, et 1 donnée pour l’erreur de prédiction Répéter n fois Erreur de prédiction moyenne sur les n étapes
Méthodes de CV K-fold cross-validation K blocs de taille n/K Données pour l’identification : K-1 blocs (taille n-n/K) Données pour la prédiction : 1 bloc (taille n/K) Idem leave-n/K-out Choix de K change le résultat
Méthode de CV Bootstrapping Tirage avec replacement subsamples au lieu de subsets des données .632+ bootstrap method 63,2 % de Δ pour l’identification
Critique de la CV Large training set overfitting Small training set underfitting Trouver le bon découpage même problème que trouver la bonne pondération dans la fonctionnelle de Tikhonov Rien résolu (mais facile à coder)
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
Mesures de distances entre distributions de probabilités Kullback-Leibler Distance / divergence de Kullback-Leibler KL divergence Information gain Relative entropy Cross entropy Mutual information
KL divergence Pas une mesure de distance D(p,q) ≠ D(q,p) D(p,q) > 0 pour tout p,q D(p,q) = 0 ssi pk = qk pour tout k
Cross entropy Entropie H(p), cross-entropie H(p,q) Relation avec la KL divergence
Mutual information mesurée en bits I(X,Y) = I(Y,X) I(X,Y) ≥ 0
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
En modélisation probabiliste Un modèle Point expérimental δ = {x,y} P(δ) = P(y | x) P(x) P(δ | θ1) = P(y | x θ1) P(x | θ1) P(δ | θ1 m1) = P(y | x θ1 m1) P(x | θ1 m1)
En modélisation probabiliste Plusieurs modèles Espace de paramètres Θ = {θ1, θ2, …} Classe des modèles M = {m1, m2, …} Un modèle : P(y | x [Θ = θ1] [M = m1]) Méta-modèle, modèle hiérarchique P(Δ Θ M) = P(δi Θ M) = P(x y Θ M) = P(y | x Θ M) P(x | Θ M) P(Θ | M) P(M)
Mesure de comparaison des modèles Probabilité d’un modèle m1, au vu de données expérimentales Δ P(Δ Θ M) = P(δi Θ M) = P(x y Θ M) = P(y | x Θ M) P(x | Θ M) P(Θ | M) P(M) = P(δi | Θ M) P(Θ | M) P(M)
Quel est le modèle le plus probable, au vu des données ? Soient Un seul modèle M D = {d1, …, dn}, un ensemble de données expérimentales un ensemble de paramètres de M Quel est le modèle le plus probable, au vu des données ? (Règle de Bayes) (Hyp i.i.d.)
Si P() = uniforme Si P() uniforme Modèle = prior vraisemblance Posterior Prior Vraisemblance Si P() = uniforme Modèle de maximum de vraisemblance Maximum Likelihood (MLE) Si P() uniforme Modèle = prior vraisemblance Modèle de maximum a posteriori (MAP) Modèle bayésien
Goodness of fit en probabilités Maximiser la vraisemblance P(Δ | Θ M) P(Δ | Θ M) = Πi P(δi | Θ M) max P(Δ | Θ M) = max log P(Δ | Θ M) = max log Πi P(δi | Θ M) = max Σi log P(δi | Θ M)
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
Tel monsieur Jourdain… Un phénomène génère des couples x,y Un modèle prédit y = F(x), F linéaire, F = ax + b autorise du « bruit » dans les mesures On observe D = {dx1, …, dxn} Question Quels sont les paramètres a, b les plus probables ?
Tel monsieur Jourdain…
Tel monsieur Jourdain…
Moindre carrés de l’erreur Comme un Réseau de Neurones & Backpropagation (Mitchell 95, p167) Une régression linéaire …
Least square fitting sur Mathworld http://mathworld.wolfram.com
Pour aller plus loin… Inférence dans les cas non-linéaires Moindres carrés Bayésien Espace de modèles = {3x+2, 4x3-2x2+4} Priors hiérarchiques P( | ) Rasoir d’Occam automatique…
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
Odds, posterior odds, evidence Une hypothèse H (modèle), et Odds , log odds (stats)
Odds, posterior odds, evidence
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
Identification de paramètres vs Sélection de modèles P(θ | Δ M) learning Sélection de modèle P(M θ | Δ) P(M | Δ)
Comparaison de modèles Basés sur la vraisemblance AIC Akaike Information Criterion BIC Bayesian Information Criterion MDL Minimum Description Length BMS Bayesian Model Selection
AIC avec k le nombre de paramètres Modèle M qui minimise la mesure AIC Fonctionnelle de Tikhonov AIC = lack of fit + complexity Dérive de l’approximation pour de larges ensembles de données de la KL divergence
BIC avec k le nombre de paramètres n le nombre de données Dérive de l’approximation pour de larges ensembles de données de la Bayesian Model Selection
MDL avec k le nombre de paramètres n le nombre de données I(θ) la matrice d’information de Fisher |.| le déterminant de la matrice
MDL Mesure de complexité qui prend en compte la forme fonctionnelle Provient de la théorie de l’information Compression des données Δ par modèle + déviation
BMS Vraisemblance Vraisemblance marginale P(Δ | θ M) P(Δ | M) = Σθ P(Δ | θ M) P(θ | M)
Bayesian model selection Attention BMS Bayesian model selection BMS Bootstrap model selection
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
« vraie » Bayesian model selection Prior sur M uniforme ou pas Prior sur les paramètres θ uniformes ou pas
Bayesian model selection Intégrale sur l’espace des paramètres MAP si on la fait méthodes de Monte-Carlo (voire, méthode de Gibbs (Mitchell 95)) si on tire aléatoirement dans θ pour approximer Gibbs sampling Metropolis-Hastings Random walk methods Approximation du log vraisemblance autour de BMSL Bayesian Model Selection Laplace approximation
Bayes Factor Extension du odds Ratio de vraisemblances marginales si prior uniforme sur M P(M1) = P(M2)
Bayesian Model Selection n’a pas la forme d’une fonctionnelle de Tikhonov et pourtant, mesure la complexité des M
BMS et mesure de complexité « Occam automatique » : intuition Si et P(Δ | θ) concentré autour de Alors P(θ2 | Δ) pénalisé par la normalisation sur Θ2 (espace plus grand)
Plan Modélisation : choix des variables Comparaison et sélection de modèles Cadre général : fit, complexité, capacité de généralisation Méthodes de validation croisée Apparté : mesures de distance entre distribution de probabilités Sélection bayésienne de modèles Sélection probabiliste vs. Bayésienne Tel monsieur Jourdain… un exemple Apparté : vocabulaire Sélection « bayésienne » de modèles : AIC, BIC, MDL, BMS Questions ouvertes
Distinguabilité des modèles Sélectionner un modèle, ok Boucle expérimentale : où prendre la prochaine donnée expérimentale ? Notion philosophique d’expérience cruciale (discriminante) Distinguer les modèles
Distinguabilité des modèles Modèle de distinguabilité en PBR Extension du méta-modèle de fit
Question ouverte Deux problèmes inverses Perception Phénomène = f -1 (stimuli) Modélisation Modèle = f -1 (observations) Doit-on conclure que le cerveau construit des modèles comme un scientifique le fait ? Le cerveau est-il bayésien ?
Question ouverte Pourquoi 42 ?
Merci de votre attention ! Questions ?