理论具有预测性，但它完备吗？——在人类随机性感知中的应用
机器学习
2017-06-22 v1 计算机科学与博弈论
社会与信息网络
机器学习
摘要
当我们用数据检验一个理论时，通常关注其正确性：理论的预测是否与我们在数据中看到的一致？但我们同样关心完备性：数据中可预测的变异有多少被该理论所捕获？这个问题难以回答，因为通常我们并不知道问题中存在多少“可预测的变异”。本文考虑以机器学习算法为动机的方法，作为构建最佳可达预测水平基准的一种手段。我们以预测人类生成的随机序列这一任务为例来说明我们的方法。相对于一个无理论的机器学习算法基准，我们发现现有的行为模型仅解释了该问题中约15%的可预测变异。这一比例在问题的几种变体上保持稳健。我们还考虑了该方法的一个版本，用于分析来自将人类对随机性的感知和生成作为概念框架的领域的现场数据；这些领域包括序贯决策和重复零和博弈。在这些领域中，我们用于检验理论完备性的框架提供了一种评估其在不同情境下有效性的方法；我们发现，尽管存在一些差异，现有理论在这些现场领域中相对于基准的表现相当稳定。总体而言，我们的结果表明：(i) 该问题中存在大量现有模型尚未捕获的结构；(ii) 存在丰富的领域，其中机器学习可能为检验完备性提供一种可行的方法。
引用
@article{arxiv.1706.06974,
title = {The Theory is Predictive, but is it Complete? An Application to Human Perception of Randomness},
author = {Jon Kleinberg and Annie Liang and Sendhil Mullainathan},
journal= {arXiv preprint arXiv:1706.06974},
year = {2017}
}