Chắc chắn chiến thắng tại dự đoán vì lý do lý thuyết và thực tế.
Có một lý thuyết cơ bản về dự báo tối ưu, nếu chúng ta muốn dự đoán sự kiện tiếp theo theo trình tự dựa trên kiến thức về các sự kiện trước đó. Dự đoán Solomonoff (Solomonoff 1964) có thể tối ưu hóa theo nhiều nghĩa, bao gồm cả nó sẽ học cách dự đoán chính xác bất kỳ chuỗi tính toán nào chỉ với lượng dữ liệu tối thiểu tuyệt đối., (Hutter, Legg & Vitanyi 2007) Một công cụ dự đoán của Solomon có khả năng tương thích với tất cả các chương trình với dữ liệu hiện có, theo mức độ phức tạp của chương trình Kolmogorov và xác suất mà chương trình gán cho dữ liệu cho đến nay, kết hợp Epicurean (Tu giữ tất cả các lý thuyết) và Ockham (cách thích các lý thuyết đơn giản) trong các khuôn khổ Bayes.
Các đặc tính tối ưu của dự đoán Solomonoff giải thích cho phát hiện mạnh mẽ mà bạn đề cập đến: tính trung bình trên các mô hình, nguồn hoặc chuyên gia cải thiện dự đoán và dự đoán trung bình vượt trội hơn cả dự đoán đơn nhất. Các phương pháp tập hợp khác nhau được thấy trong thực tế có thể được coi là xấp xỉ có thể tính toán được với dự đoán của Solomonoff - và một số như MML (Wallace 2005) khám phá rõ ràng các mối quan hệ, mặc dù hầu hết đều không.
Wallace (2005) lưu ý rằng một công cụ dự đoán của Solomonoff không mang tính phân tích - nó giữ một nhóm mô hình vô hạn - nhưng hầu hết sức mạnh dự đoán chắc chắn rơi vào một nhóm mô hình tương đối nhỏ. Trong một số lĩnh vực, mô hình tốt nhất duy nhất (hoặc gia đình của các mô hình gần như không thể phân biệt được) có thể chiếm một phần lớn sức mạnh dự đoán và vượt trội so với các quần thể chung, nhưng trong các lĩnh vực phức tạp với rất ít lý thuyết, hầu như không một gia đình nào nắm bắt được phần lớn xác suất sau, và do đó, tính trung bình trên các ứng cử viên hợp lý sẽ cải thiện dự đoán. Để giành giải thưởng Netflix, nhóm Bellkor đã pha trộn hơn 450 mô hình (Koren 2009).
Con người thường tìm kiếm một lời giải thích tốt duy nhất: trong các lĩnh vực "lý thuyết cao" như vật lý, những điều này hoạt động tốt. Thật vậy, nếu họ nắm bắt được các động lực nhân quả tiềm ẩn, họ sẽ gần như không thể đánh bại. Nhưng trong trường hợp các lý thuyết có sẵn không phù hợp chặt chẽ với các hiện tượng (giả sử, đề xuất phim hoặc địa chính trị), các mô hình đơn lẻ sẽ hoạt động kém: tất cả đều không hoàn chỉnh, vì vậy không nên thống trị. Do đó, sự nhấn mạnh gần đây về các bản hòa tấu (cho học máy) và Trí tuệ đám đông (cho các chuyên gia) và sự thành công của các chương trình như IARPA ACE và đặc biệt là Dự án Phán xét Tốt (Tetlock & Gardiner 2015).
Người giới thiệu
- M. Hutter, S. Legg và P. Vitanyi, xác suất thuật toán của thuật toán, xác học giả, tập. 2, 2007, tr. 2572.
- Y. Koren, Giải pháp BellKor cho Giải thưởng lớn của Netflix, năm 2009.
- Solomonoff, Ray (tháng 3 năm 1964). "Một lý thuyết chính thức về suy luận quy nạp Phần I" (PDF). Thông tin và kiểm soát 7 (1): 1 trận22. doi: 10.1016 / S0019-9958 (64) 90223-2.
- Solomonoff, Ray (tháng 6 năm 1964). "Một lý thuyết chính thức về suy luận quy nạp Phần II" (PDF). Thông tin và kiểm soát 7 (2): 224 Công ty. doi: 10.1016 / S0019-9958 (64) 90131-7.
- PE Tetlock, Chuyên gia đánh giá chính trị: Nó tốt như thế nào? Làm sao chúng ta có thể biết?, Nhà xuất bản Đại học Princeton, 2005.
- Tetlock, PE, & Người làm vườn, D. (2015). Superforecasting: Nghệ thuật và khoa học dự đoán. New York: Vương miện.
- CS Wallace, thống kê và suy luận quy nạp theo độ dài tin nhắn tối thiểu, Springer-Verlag, 2005.