Лучшая эвристика - Take-the-best heuristic

В психология, то лучшая эвристика[1] это эвристический (простая стратегия для принимать решение ), который делает выбор между двумя альтернативами, выбирая на основе первого сигнала, который их различает, где сигналы упорядочиваются по действительность реплики (от высшего к низшему). В исходной формулировке предполагалось, что реплики имеют двоичные значения (да или нет) или имеют неизвестное значение. Логика эвристики состоит в том, что она основывает свой выбор на Лучший только подсказка (причина) и игнорирует остальные.

Психологи Герд Гигеренцер и Дэниел Гольдштейн обнаружил, что эвристика на удивление хорошо справляется с точными выводы в реальных условиях, например при определении, какой из двух городов больше. С тех пор эвристика была изменена и применена к доменам из лекарство, искусственный интеллект, и политическое прогнозирование.[2][3] Также было показано, что эвристика может точно моделировать то, как эксперты, например таможенники аэропорта [4] и профессиональные грабители, принимают решения.[5] Эвристика также может предсказать детали когнитивный процесс, например, количество используемых сигналов и время отклика, часто лучше, чем сложные модели, которые объединяют все доступные сигналы;[6][7] как таковой, это пример эффект меньше да больше.

Принятие решения по одной причине

Теории принятия решений обычно предполагают, что все соответствующие причины (особенности или сигналы) исследуются и интегрируются в окончательное решение. Однако в условиях неопределенности (в отличие от риска) не все релевантные сигналы, как и их точный вес и корреляция между сигналами, обычно не известны. В таких ситуациях разумной альтернативой может быть надежда только на лучший доступный сигнал, позволяющий принимать быстрые, бережливые и точные решения. Это логика класса эвристик, известных как «принятие решения по одной причине», который включает в себя выбор лучшего.[8] Рассмотрим реплики с двоичными значениями (0, 1), где 1 указывает значение реплики, связанное с более высоким значением критерия. Задача состоит в том, чтобы сделать вывод, какая из двух альтернатив имеет большее значение критерия. Примером может служить то, какая из двух команд НБА выиграет игру, исходя из таких сигналов, как домашний матч, и кто выиграл последний матч. Эвристика «взять лучшее» включает в себя три шага, чтобы сделать такой вывод:[9]

Правило поиска: Просмотрите реплики в порядке их действия.

Правило остановки: Остановить поиск, когда будет найдена первая реплика, где значения двух альтернатив различаются.

Правило принятия решения: Предсказать, что альтернатива с более высоким значением реплики будет иметь более высокое значение переменной результата.

Достоверность v реплики определяется выражением v = C / (C + W), где C - количество правильных выводов, когда реплика распознает, а W - количество ошибочных выводов, все оцененные по выборкам.

Лучшее для задачи сравнения

Рассмотрим задачу определить, какой объект, A или B, имеет более высокую ценность по числовому критерию. В качестве примера представьте, что кто-то должен судить, имеет ли немецкий город Кельн больше населения, чем другой немецкий город Штутгарт. Это суждение или вывод должны быть основаны на информации, предоставляемой двоичными сигналами, например: «Является ли город столицей штата? С формальной точки зрения задача представляет собой категоризацию: пара (A, B) должна быть отнесена к категории XА > XB или XB > XА (где X обозначает критерий) на основе информации о сигнале.

Реплики бинарные; это означает, что они принимают два значения и могут быть смоделированы, например, как имеющие значения 0 и 1 (для «да» и «нет»). Они ранжируются в соответствии с их действительность реплики, определяемая как доля правильных сравнений между парами A и B, для которых он имеет разные значения, т. е. различает A и B. Take-the-best анализирует каждый сигнал, один за другим, в соответствии с ранжирование по достоверности и остановка в первый раз, когда сигнал различает элементы, и заключение о том, что элемент с большим значением также имеет большее значение по критерию. Матрица всех объектов эталонного класса, из которых были взяты A и B, и значений реплик, которые описывают эти объекты, составляет так называемую среду. Гигеренцер и Гольдштейн, которые представили Take-The-Best (см. Герд Гигеренцер & Дэниел Гольдштейн, Д. Г. (1996) [10] ) рассмотрел в качестве прогулочного примера именно пары немецких городов. но только с населением более 100 000 человек. Задача сравнения для данной пары (A, B) немецких городов в эталонном классе заключалась в установлении того, какой из них имеет большее население, на основе девяти подсказок. Сигналы были двоичными, например, является ли город столицей штата или есть ли в нем футбольная команда в национальной лиге. Значения реплик можно смоделировать с помощью единиц (для «да») и 0 (для «нет»), чтобы каждый город можно было идентифицировать с помощью его «профиля реплики», т. Е. Вектора е из 1 и 0, упорядоченного в соответствии с рейтингом реплик.

Возник вопрос: как определить, какой из двух объектов, например, город A, с помощью профиля реплики (100101010) и город B с профилем кия (100010101), имеет более высокие баллы по установленному критерию, т. е. численность населения? Эвристика «взять лучшее» просто сравнивает профили лексикографически, так же, как сравниваются числа, записанные с основанием два: первое значение метки равно 1 для обоих, что означает, что первая метка не различает A и B. равно 0 для обоих, опять же без дискриминации. То же самое происходит с третьим значением метки, в то время как четвертое значение метки равно 1 для A и 0 для B, подразумевая, что A оценивается как имеющий более высокое значение по критерию. Другими словами, XА > XB если и только если (100101010) > (100010101) .

Математически это означает, что сигналы, найденные для сравнения, позволяют квазиизоморфизм порядка между объектами, сравниваемыми по критерию, в данном случае городами с их населением, и соответствующими им бинарными векторами. Здесь «квази» означает, что изоморфизм, в общем, не идеален, потому что не идеален набор реплик.

Что удивительно, так это то, что эта простая эвристика имеет большую производительность по сравнению с другими стратегиями. Одна очевидная мера для определения эффективности механизма вывода определяется процентом правильных суждений. Более того, важнее всего не только эффективность эвристики при подборе известных данных, но и при обобщении известного обучающего набора на новые элементы.

Черлински, Гольдштейн и Гигеренцер сравнили несколько стратегий с «Take the best»: простой подсчет или модель единичного веса (также называемая «правилом Дауэса» в этой литературе), взвешенная линейная модель сигналов, взвешенных по их достоверности (также называемая «Правило Франклина» в той литературе), линейная регрессия и минимализм. Их результаты показывают надежность обобщения «Take-the-best».

Эвристическая производительность на наборе данных о городах Германии
Эвристическая эффективность набора данных о городах Германии, созданного с помощью ggplot2 на основе данных в.[11] См. Шаги для воспроизведения на КРАН.
Эвристическая производительность по 20 наборам данных
Эвристическая эффективность для 20 наборов данных из иллюстрации внутри справочного номера [12]

Например, рассмотрим задачу выбора большого города из двух городов, когда

  • Модели соответствуют набору данных о 83 городах Германии.
  • Модели выбирают больший из пары городов для всех пар городов 83 * 82/2.

Процент правильных ответов был примерно 74% для регрессии, «Возьми лучшее, линейный удельный вес». В частности, баллы составляли 74,3%, 74,2% и 74,1%, поэтому регрессия выиграла с небольшим отрывом.

Однако в статье также рассматривается обобщение (также известное как прогноз вне выборки).

  • Модели соответствуют набору данных случайно выбранной половины из 83 городов Германии.
  • Модели выбирают больший из пары городов, взятых из * другой * половины городов.

В этом случае, когда использовалось 10 000 различных случайных разбиений, регрессия давала в среднем 71,9% правильных ответов, Take-the-best - 72,2% правильных, а блок с линейным - 71,4% правильных. В этом случае эвристика Take-the-best была более точной, чем регрессия. Эти результаты были представлены в.[13]

Смотрите также

Рекомендации

  1. ^ Гигеренцер, Г. и Гольдштейн, Д. Г. (1996). «Рассуждая быстро и экономно: модели ограниченной рациональности». Психологическое обозрение, 103, 650-669.
  2. ^ Грефе, Андреас; Армстронг, Дж. Скотт (2012). «Предсказание выборов, исходя из наиболее важного вопроса: проверка эвристики« бери лучшее »». Журнал принятия поведенческих решений. 25 (1): 41–48. Дои:10.1002 / bdm.710.
  3. ^ Черлински Дж., Гольдштейн Д. Г. и Гигеренцер Г. (1999). "Насколько хороши простые эвристики?" В Gigerenzer, G., Todd, P.M. и ABC Group, Простая эвристика, которая делает нас умными. Нью-Йорк: Издательство Оксфордского университета.
  4. ^ Пачур Т. и Маринелло Г. (2013). Экспертная интуиция: как смоделировать стратегию принятия решений таможенниками аэропорта? Acta Psychologica, 144, 97–103.
  5. ^ Гарсия-Ретамеро Р. и Дхами М. К. (2009). Лучшие стратегии принятия решений при кражах со взломом. Психономический бюллетень и обзор, 16, 163–169
  6. ^ Бергерт Ф. Б. и Нософски Р. М. (2007). Подход на основе времени отклика для сравнения обобщенных рациональных и оптимальных моделей принятия решений. Журнал экспериментальной психологии: обучение, память и познание, 331, 107–129.
  7. ^ Бредер, А. (2012). Стремление к лучшему. В книге П. М. Тодда, Г. Гигеренцера и исследовательской группы ABC, Экологическая рациональность: интеллект в мире (стр. 216–240). Нью-Йорк: Издательство Оксфордского университета
  8. ^ Гигеренцер, Г., & Гайсмайер, В. (2011). Принятие эвристических решений. Annual Review of Psychology, 62. 451–482.
  9. ^ Гигеренцер, Г., и Гольдштейн, Д. Г. (1996). Рассуждение о быстром и экономном способе: модели ограниченной рациональности. Психологическое обозрение, 103, 650–669.
  10. ^ Гигеренцер и Голдштейн, 1996 - APA Psynet - Размышление о быстром и экономном пути: модели ограниченной рациональности
  11. ^ Черлински Дж., Гольдштейн Д. Г. и Гигеренцер Г. (1999). "Насколько хороши простые эвристики?" В Gigerenzer, G., Todd, P.M. и ABC Group, Простая эвристика, которая делает нас умными. Нью-Йорк: Издательство Оксфордского университета.
  12. ^ MH. Martignon & Hoffrage (2002) - Быстро, бережливо и удобно: простая эвристика для парного сравнения
  13. ^ Черлински Дж., Гольдштейн Д. Г. и Гигеренцер Г. (1999). "Насколько хороши простые эвристики?" В Gigerenzer, G., Todd, P.M. и ABC Group, Простая эвристика, которая делает нас умными. Нью-Йорк: Издательство Оксфордского университета.