Four Facets of Forecast Felicity: Calibration, Predictiveness, Randomness and Regret

要約

機械学習は予測に関するものです。
ただし、予測は評価することによってのみその有用性が得られます。
機械学習は伝統的に、損失の種類とそれに対応する後悔に焦点を当ててきました。
現在、機械学習コミュニティはキャリブレーションへの関心を取り戻しています。
この研究では、予測を評価する際の調整と後悔が概念的に同等であることを示します。
評価問題を、予測者、ギャンブラー、自然の間のゲームとして組み立てます。
ギャンブラーと予想家に直感的な制限を課すと、調整と後悔は自然に枠組みから外れます。
さらに、このゲームは予測の評価を結果のランダム性に関連付けます。
予測に関してランダムな結果は、結果に関しては良好な予測と同等です。
私たちは、これらの 2 つの側面、調整と後悔、予測性とランダム性を、予測の幸福度の 4 つの側面と呼んでいます。

要約(オリジナル)

Machine learning is about forecasting. Forecasts, however, obtain their usefulness only through their evaluation. Machine learning has traditionally focused on types of losses and their corresponding regret. Currently, the machine learning community regained interest in calibration. In this work, we show the conceptual equivalence of calibration and regret in evaluating forecasts. We frame the evaluation problem as a game between a forecaster, a gambler and nature. Putting intuitive restrictions on gambler and forecaster, calibration and regret naturally fall out of the framework. In addition, this game links evaluation of forecasts to randomness of outcomes. Random outcomes with respect to forecasts are equivalent to good forecasts with respect to outcomes. We call those dual aspects, calibration and regret, predictiveness and randomness, the four facets of forecast felicity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google