Устойчивость статистических оценок к выбросам
Способность статистического метода давать надежные результаты даже тогда, когда данные содержат ошибки измерения или экстремальные значения (выбросы), не принадлежащие основному распределению. Классические методы, такие как среднее арифметическое, сильно зависят от таких значений, тогда как робастные оценки (например, медиана) игнорируют их влияние.
Близкие слова
- устойчивость
- надежность
При анализе доходов населения использование медианы вместо среднего показывает более реалистичную картину из-за высокой робастности этого показателя к сверхвысоким заработкам отдельных лиц.
Робастность оценки дисперсии позволяет избежать ложных выводов о разбросе данных, если в выборке случайно оказались несколько ошибочно записанных значений.
Устойчивость моделей машинного обучения к шуму
Свойство алгоритма искусственного интеллекта или модели предсказания сохранять точность при изменении условий входных данных, наличии помех или небольшом отклонении обучающей выборки от тестовой. Робастная модель не «переучивается» на шуме и способна корректно работать в условиях неопределенности.
Близкие слова
- отказоустойчивость
- стабильность
Робастность нейронной сети к шуму на изображениях позволяет ей распознавать объекты даже при плохом освещении или наличии артефактов сжатия.
Инженеры повышают робастность автономного автомобиля, обучая его на данных, включающих редкие погодные аномалии и непредсказуемые действия пешеходов.
Почему обычная статистика не всегда надежна
Традиционные статистические методы часто опираются на предположение, что данные следуют нормальному распределению (гауссову). Однако в реальной жизни данные редко бывают идеальными: возникают ошибки датчиков, человеческий фактор или редкие события. Если использовать классическое среднее арифметическое для расчета средней температуры в группе из десяти городов, где девять имеют температуру 20°C, а один ошибочно записан как 1000°C, результат будет искажен до бессмысленного. Робастные методы решают эту проблему, отсекая влияние таких выбросов или придавая им минимальный вес.
Робастность против чувствительности
Важно различать робастность и общую точность модели. Робастная модель может быть менее точной на «чистых», идеально откалиброванных данных, чем её неустойчивый аналог, который использует все особенности выборки (включая шум). Это компромисс: вы жертвуете максимальной потенциальной точностью в идеальных условиях ради надежности и предсказуемости в условиях реального хаоса. Поэтому выбор между робастным и классическим методом зависит от того, насколько ваши данные подвержены загрязнению.
