Unbiased and Biased Estimators의 개념과 머신러닝

1. Unbiased and Biased Estimators

확률모델의 학습에서 우리의 목적은 주어진 샘플 (데이터) ${\mathbf{\text{x}}}_1,{\mathbf{\text{x}}}_2,...,{\mathbf{\text{x}}}_n$으로부터 데이터를 생성한 확률분포 $p(\mathbf{\text{x}}|\theta )$의 참된 매개변수 $\theta$를 찾는 것이다. 그러나 대부분의 머신러닝 응용에서는 모든 데이터를 관측할 수 없기 때문에 추정된 매개변수 $\tilde{\theta }$는 참된 매개변수 $\theta$와 차이가 있을 것이다. 통계학에서 편향 (bias)은 추정된 매개변수와 참된 매개변수의 차이를 말하며, 편향은 추정된 매개변수의 기댓값을 기반으로 식 $\text{(1)}$과 같이 정의된다.

$$\begin{array}{}\text{(1)}& \text{Bias}(\tilde{\theta },\theta )=E_{p(\mathbf{\text{x}}|\theta )}[\tilde{\theta }]-\theta \end{array}$$

Unbiased estimator와 biased estimator는 식 $\text{(1)}$을 기반으로 아래와 같이 정의된다.

• Unbiased estimator: 추정한 $\tilde{\theta }$에 대해 $E_{p(\mathbf{\text{x}}|\theta )}[\tilde{\theta }]-\theta =0$인 모델
• Biased estimator: 추정한 $\tilde{\theta }$에 대해 $E_{p(\mathbf{\text{x}}|\theta )}[\tilde{\theta }]-\theta \ne 0$인 모델

Unbiased estimator와 biased estimator에 대한 예시는 아래와 같다.

 

예제 1. 표본평균 (Sample Mean)과 Unbiased Estimator

평균이 $\mu$인 확률분포에서 추출된 $n$개의 서로 독립인 샘플 $X_1,X_2,...,X_n$에 대해 표본평균 $\tilde{\mu }$의 기댓값은 아래의 식 $\text{(2)}$와 같다.

$$\begin{array}{}\text{(2)}& \begin{array}{rl}E[\tilde{\mu }]& =E\left[\frac{1}{n}\sum _{i=1}^n{X}_i\right]\\ & =\frac{1}{n}\sum _{i=1}^{n}E[X_i]\\ & =\frac{1}{n}\sum _{i=1}^n\mu \\ & =\mu \end{array}\end{array}$$

따라서 $E[\tilde{\mu }]-\mu =0$이므로, 표본평균으로 확률분포의 평균 $\mu$를 계산하는 모델은 unbiased estimator이다.

 

예제 2. 표본분산 (Sample Variance)과 Biased Estimator

분산이 $S$인 확률분포에서 추출된 $n$개의 서로 독립인 샘플 $X_1,X_2,...,X_n$에 대해 표본분산 $\tilde{S}$의 기댓값은 아래의 식 $\text{(3)}$과 같다.

$$\begin{array}{}\text{(3)}& \begin{array}{rl}E[\tilde{S}]& =E[\frac{1}{n}\sum _{i=1}^n(X_i-\tilde{\mu }{)}^2]\\ & =\frac{1}{n}E[\sum _{i=1}^n{X}_i^2-2\tilde{\mu }\sum _{i=1}^n{X}_i+\sum _{i=1}^n{\tilde{\mu }}^2]\\ & =\frac{1}{n}(\sum _{i=1}^{n}E\left[X_i^2\right]-nE[{\tilde{\mu }}^2])\\ & =\frac{1}{n}(nS+n{\mu }^2-S-n{\mu }^2)\\ & =\frac{n-1}{n}S\end{array}\end{array}$$

따라서 $E[\tilde{S}]-S\ne 0$이므로, 표본분산으로 확률분포의 분산 $S$를 계산하는 모델은 biased estimator이다.

분산을 추정하기 위한 unbiased estimator는 식 $\text{(3)}$에서 $n$으로 나누는 것이 아니라, $n-1$로 나누는 것이다. 만약 $n-1$로 나눈다면 표본분산은 아래와 같이 실제 분산 $S$와 같아진다.

$$\begin{array}{}\text{(4)}& \begin{array}{rl}E[\tilde{S}]& =E[\frac{1}{n-1}\sum _{i=1}^n(X_i-\tilde{\mu }{)}^2]\\ & =\frac{1}{n-1}E[\sum _{i=1}^n{X}_i^2-2\tilde{\mu }\sum _{i=1}^n{X}_i+\sum _{i=1}^n{\tilde{\mu }}^2]\\ & =\frac{1}{n-1}(\sum _{i=1}^{n}E\left[X_i^2\right]-nE[{\tilde{\mu }}^2])\\ & =\frac{1}{n-1}(nS+n{\mu }^2-S-n{\mu }^2)\\ & =S\end{array}\end{array}$$

따라서 $n-1$로 나눈 estimator에서는 식 $\text{(4)}$와 같이 $E[\tilde{S}]-S=0$이므로, 이 모델은 확률분포의 분산을 추정하기 위한 unbiased estimator이다.

 

2. 머신러닝에서 Unbiased Estimator

머신러닝에서는 일반적으로 실제 확률분포의 매개변수와 차이가 있는 biased estimator보다는 차이가 없는 unbiased estimator를 선호한다. 그러나 항상 unbiased estimator가 biased estimator보다 좋다고는 말할 수 없는데, 이는 아래의 식 $\text{(5)}$로 정의되는 편향-분산 트레이드오프 (bias-variance tradeoff)에 의해 설명된다.

$$\begin{array}{}\text{(5)}& \text{E}[(y-f(\mathbf{\text{x}}){)}^2]={\sigma }^2+(\underset{=\text{bias of}f}{\underbrace{\text{E}[f^{\ast }(\mathbf{\text{x}})-f(\mathbf{\text{x}})]}}{)}^2+\underset{=\text{variance of}f}{\underbrace{\text{Var}[f(\mathbf{\text{x}})]}}\end{array}$$

어떠한 머신러닝 모델 $f:\mathcal{X}\to \mathcal{Y}$의 손실함수는 식 $\text{(5)}$와 같이 편향 (bias)과 분산 (variacne)로 분해된다. 모델 $f$의 손실함수를 최소화하기위해서는 편향과 분산을 동시에 최소화해야 한다. 편향이 0이 되는 모델 $f^{\ast }$가 바로 unbiased estimator이지만, 편향이 0이 될만큼 모델이 복잡해지면 모델 복잡도에 의해 분산이 증가할 수 있다. 이러한 편향-분산 트레이드오프에 관한 자세한 내용은 이 문서에 서술되어있다.