隨機過程在數(shù)據(jù)科學和深度學習中有哪些應用？

“The only simple truth is that there is nothing simple in this complex universe. Everything relates. Everything connects”— Johnny Rich, The Human Script

介紹

機器學習的主要應用之一是對隨機過程建模。機器學習中一些隨機過程的例子如下:

●泊松過程：用于處理等待時間以及隊列。

●隨機漫步和布朗運動過程：用于交易算法。

●馬爾可夫決策過程：常用于計算生物學和強化學習。

●高斯過程：用于回歸和優(yōu)化問題（如，超參數(shù)調(diào)優(yōu)和自動機器學習）。

●自回歸和移動平均過程：用于時間序列分析(如,ARIMA模型)。

在本文中，我將簡要地向你介紹這些隨機過程。

歷史背景

隨機過程是我們?nèi)粘Ｉ畹囊徊糠?。隨機過程之所以如此特殊，是因為隨機過程依賴于模型的初始條件。在上個世紀，許多數(shù)學家，如龐加萊，洛倫茲和圖靈都被這個話題所吸引。

如今，這種行為被稱為確定性混沌，它與真正的隨機性有著截然不同的范圍界限。

由于愛德華·諾頓·洛倫茲的貢獻，混沌系統(tǒng)的研究在1963年取得了突破性進展。當時，洛倫茲正在研究如何改進天氣預報。洛倫茲在他的分析中注意到，即使是大氣中的微小擾動也能引起氣候變化。

洛倫茲用來描述這種狀態(tài)的一個著名的短語是：

“A butterfly flapping its wings in Brazil can produce a tornado in Texas”

（在巴西，一只蝴蝶扇動翅膀就能在德克薩斯州制造龍卷風）

— Edward Norton Lorenz

（愛德華·諾頓·洛倫茲）

這就是為什么今天的混沌理論有時被稱為“蝴蝶效應”。

分形學

一個簡單的混沌系統(tǒng)的例子是分形（如圖所示）。分形是在不同尺度上不斷重復的一種模式。由于分形的縮放方式，分形不同于其他類型的幾何圖形。

分形是遞歸驅(qū)動系統(tǒng)，能夠捕獲混沌行為。在現(xiàn)實生活中，分形的例子有:樹、河、云、貝殼等。

圖1：MC. Escher，Smaller and Smaller^[1]

在藝術(shù)領(lǐng)域有很多自相似的圖形。毫無疑問， MC. Escher是最著名的藝術(shù)家之一，他的作品靈感來自數(shù)學。事實上，在他的畫中反復出現(xiàn)各種不可能的物體，如彭羅斯三角形和莫比烏斯帶。在"Smaller and Smaller"中，他也反復使用了自相似性（圖1）。除了蜥蜴的外環(huán)，畫中的內(nèi)部圖案也是自相似性的。每重復一次，它就包含一個有一半尺度的復制圖案。

確定性和隨機性過程

有兩種主要的隨機過程：確定性和隨機性。

在確定性過程中，如果我們知道一系列事件的初始條件（起始點），我們就可以預測該序列的下一步。相反，在隨機過程中，如果我們知道初始條件，我們不能完全確定接下來的步驟是什么。這是因為這個過程可能會以許多不同的方式演化。

在確定性過程中，所有后續(xù)步驟的概率都為1。另一方面，隨機性隨機過程的情況則不然。

任何完全隨機的東西對我們都沒有任何用處，除非我們能識別出其中的模式。在隨機過程中，每個單獨的事件都是隨機的，盡管可以識別出連接這些事件的隱藏模式。這樣，我們的隨機過程就被揭開了神秘的面紗，我們就能夠?qū)ξ磥淼氖录龀鰷蚀_的預測。

為了用統(tǒng)計學的術(shù)語來描述隨機過程，我們可以給出以下定義：

●觀測值：一次試驗的結(jié)果。

●總體：所有可能的觀測值，可以記為一個試驗。

●樣本：從獨立試驗中收集的一組結(jié)果。

例如，拋一枚均勻硬幣是一個隨機過程，但由于大數(shù)定律，我們知道，如果進行大量的試驗，我們將得到大約相同數(shù)量的正面和反面。

大數(shù)定律指出：

“隨著樣本規(guī)模的增大，樣本的均值將更接近總體的均值或期望值。因此，當樣本容量趨于無窮時，樣本均值收斂于總體均值。重要的一點是樣本中的觀測必須是相互獨立的?！?/p>

--Jason Brownlee

隨機過程的例子有股票市場和醫(yī)學數(shù)據(jù)，如血壓和腦電圖分析。

泊松過程

泊松過程用于對一系列離散事件建模，在這些事件中，我們知道不同事件發(fā)生的平均時間，但我們不知道這些事件確切在何時發(fā)生。

如果一個隨機過程能夠滿足以下條件，則可以認為它屬于泊松過程：

●事件彼此獨立（如果一個事件發(fā)生，并不會影響另一個事件發(fā)生的概率）。

●兩個事件不能同時發(fā)生。

●事件的平均發(fā)生比率是恒定的。

讓我們以停電為例。電力供應商可能會宣傳平均每10個月就會斷電一次，但我們不能準確地說出下一次斷電的時間。例如，如果發(fā)生了嚴重問題，可能會連續(xù)停電2-3天（如，讓公司需要對電源供應做一些調(diào)整），以便在接下來的兩天繼續(xù)使用。

因此，對于這種類型的隨機過程，我們可以相當確定事件之間的平均時間，但它們是在隨機的間隔時間內(nèi)發(fā)生的。

由泊松過程，我們可以得到一個泊松分布，它可以用來推導出不同事件發(fā)生之間的等待時間的概率，或者一個時間段內(nèi)可能發(fā)生事件的數(shù)量。

泊松分布可以使用下面的公式來建模（圖2），其中k表示一個時期內(nèi)可能發(fā)生的事件的預期數(shù)量。

圖2：泊松分布公式^[3]

一些可以使用泊松過程模擬的現(xiàn)象的例子是原子的放射性衰變和股票市場分析。

隨機漫步和布朗運動過程

隨機漫步是可以在隨機方向上移動的任意離散步的序列（長度總是相同，圖3）。隨機漫步可以發(fā)生在任何維度空間中（如：1D，2D，nD）。

圖3：高維空間^[4]中的隨機漫步

現(xiàn)在我將用一維空間(數(shù)軸)向您介紹隨機漫步，這里解釋的這些概念也適用于更高維度。

我們假設(shè)我們在一個公園里，我們看到一只狗在尋找食物。它目前在數(shù)軸上的位置為0，它向左或向右移動找到食物的概率相等（圖4）。

圖4：數(shù)軸^[5]

現(xiàn)在，如果我們想知道在N步之后狗的位置是多少，我們可以再次利用大數(shù)定律。利用這個定律，我們會發(fā)現(xiàn)當N趨于無窮時，我們的狗可能會回到它的起點。無論如何，此時這種情況并沒有多大用處。

因此，我們可以嘗試使用均方根（RMS）作為距離度量(首先對所有值求平方，然后計算它們的平均值，最后對結(jié)果求平方根)。這樣，所有的負數(shù)都變成正數(shù)，平均值不再等于零。

在這個例子中，使用RMS我們會發(fā)現(xiàn)，如果我們的狗走了100步，它平均會從原點移動10步（√100=10）。

如前面所述，隨機漫步用于描述離散時間過程。相反，布朗運動可以用來描述連續(xù)時間的隨機漫步。