Atlas pospolitych ptaków lęgowych Polski

a tym bardziej zagęszczenia populacji, wymagają więc
stosowania równie złożonej metodyki obliczeniowej. Klasyczna
statystyka matematyczna, z racji swej właściwości
nadmiernego upraszczania zjawisk, nie sprawdza się jako
narzędzie do rozwiązywania tego typu problemów. Spośród
wielu innych dostępnych metod jedną z najbardziej
obiecujących jest tzw. uczenie maszynowe, zwłaszcza
oparte na technikach „uczenia zbiorowego” (ensemble
learning). W klasycznej statystyce matematycznej najczęściej
poszukujemy jednego, najlepszego modelu, który
w uproszczony sposób dobrze opisuje zmienność badanego
zjawiska. Natomiast idea ensemble learning nie polega
na poszukiwaniu jednego rozwiązania, lecz na łączeniu
wielu różnych modeli, z których każdy jest niedoskonały,
ale ich wspólne działanie istotnie przewyższa zdolności
predykcyjne każdego z modeli cząstkowych. Takie gremialne
działanie zbiorowości okazuje się skuteczniejsze
pod względem trafności prognoz niż działanie każdego
z jej pojedynczych elementów.
3.3.1. Wstępna obróbka i kontrola jakości
danych
Specyfika każdej metodyki szacowania liczebności populacji
powoduje, że informacje o zagęszczeniu są obarczone wieloma
rodzajami błędów. Wynikają one z różnych przyczyn,
często typowo metodycznych czy „ludzkich”, np. różnic w interpretacji
tych samych faktów przez różnych obserwatorów.
Mogą być rezultatem rozbieżności lokalizacyjnych danych
o zagęszczeniach i danych środowiskowych – zdarza
się, że ze względu na niedostępność pewnych fragmentów
terenu rzeczywiste transekty są przesunięte w stosunku do
wylosowanej lokalizacji. Olbrzymia zmienność przestrzenna
samego procesu wybiórczości środowiskowej wynika często
z indywidualnych preferencji osobników czy lokalnych
adaptacji. Wszystko to powoduje, że błędy są niemożliwe do
uniknięcia i kontrolowania, a niekiedy trudno jest oddzielić
zmienność wynikającą z właściwości badanego zjawiska
(czyli rzeczywistych różnic zagęszczenia populacji w czasie
i przestrzeni) od „szumów” generowanych przez czynniki
związane z metodyką.
Stare przysłowie statystyków mówi: „Jeżeli wrzucisz
śmieci, to śmieci wyciągniesz” (GIGO: „Garbage in, garbage
out”). Niezależnie od tego, jak wyrafinowane, nowoczesne,
poprawne i skuteczne będą metody analizy danych, wartość
wyników i wniosków jest zawsze limitowana jakością
danych wejściowych. Dlatego podczas analizy danych i dopasowywania
modeli szczególną uwagę zwróciliśmy na
badanie poprawności danych. Wszystkie obserwacje były
szczegółowo analizowane pod względem kilkunastu kryteriów,
które mogły świadczyć o ewentualnych błędach.
Przykładowo sprawdzane były obserwacje, dla których wykazano
wyjątkowo skrajne wartości (wyraźnie odbiegające
od przeciętnych), lub powierzchnie, dla których zmienność
zagęszczeń była nietypowo wysoka czy trendy liczebności
mocno odbiegające od wartości zerowych itd. Wszystkie
podejrzane, nietypowe i odstające przypadki były analizowane
na ortofotomapach w poszukiwaniu ewentualnych
rozbieżności lokalizacyjnych lub błędów interpretacyjnych
w klasyfikowaniu typów pokrycia terenu. W efekcie procedura
dopasowywania modelu dla każdego gatunku była
procesem bardzo żmudnym i czasochłonnym, wykonywanym
wieloetapowo i rekurencyjnie.
3.3.2. Algorytm modelowania zależności
pomiędzy danymi o ptakach a danymi
o środowisku
Jedną z najskuteczniejszych metod uczenia maszynowego,
która szczególnie dobrze nadaje się do modelowania
rozmieszczenia organizmów, jest metoda lasów losowych
(random forest = RF). Została opracowana stosunkowo
niedawno (Breiman 2001) i – chociaż nie jest szczególnie
popularna – w wielu pracach wykazano, że jest porównywalna
do wielu innych powszechnie stosowanych technik
modelowania predyktywnego lub lepsza od nich (Lawler
et al. 2006; Prasad et al. 2006; Virkkala et al. 2010).
Metoda RF bazuje na metodzie drzew klasyfikacyjnych
i regresyjnych – CART (Breiman 1984). Drzewo takie jest
dychotomiczne – buduje się je, dzieląc na każdym etapie
dane na dwie grupy. Kryterium podziału (zmienna i jej
wartość) jest tak dobierane, aby jak najbardziej poprawnie
przewidywać wartość zmiennej zależnej (czyli w tym przypadku
zagęszczenia populacji). Każdy podzbiór powstały
w efekcie takiego podziału jest sukcesywnie dzielony na
kolejne podzbiory wg odrębnych kryteriów. W rezultacie
powstaje drzewiasta struktura będąca pewnym sposobem
opisu zależności zagęszczenia od parametrów środowiska
(ryc. 3.3).
Metoda CART ma jednak poważne wady. Przede wszystkim
jest mało dokładna, a wynik otrzymany na skutek
stopniowych podziałów jest dyskretny – przyjmuje jedną
z dopuszczalnych wartości. Ponadto drzewa są niestabilne
– lekkie perturbacje danych, zwłaszcza na początkowych
etapach podziału, mogą prowadzić do otrzymania różnych
struktur wynikowych. Ale te właśnie wady umożliwiły stosowanie
prostych drzew regresyjnych czy klasyfikacyjnych
w podejściu typu ensemble. Zamiast szukać jednego, „najlepszego”
drzewa, budujemy wiele drzew, z których każde
jest efektem dopasowania do losowo perturbowanych
danych. Powoduje to powstanie wielu prostych modeli,
wyspecjalizowanych do przewidywania wartości zmiennej
zależnej w pewnym wąskim podzbiorze wartości parametrów
wejściowych. Następnie predykcje z takiego zespołu
drzew uśrednia się (lub poddaje głosowaniu wyniki klasyfikacji),
czego rezultatem jest znaczna poprawa skuteczności
predykcji, a także eliminacja problemów wynikających
z nieciągłości i niestabilności takiego układu.
Losowa perturbacja danych jest realizowana poprzez
technikę bootstrap (Efron i Tibshirani 1993). Polega ona
na wielokrotnym losowaniu (ze zwracaniem) elementów
z próby. Losowanie ze zwracaniem powoduje, że zawsze
część elementów nie zostaje wybrana i są one używane
do szacowania testowego błędu predykcji. Elementy takie
oznaczane są jako OOB (out-of-bag).
Algorytm RF można podsumować następująco:
1. Weź próbę typu bootstrap (czyli ze zwracaniem) o wielkości
N ze zbioru danych uczących (N jest liczbą obserwacji
w zbiorze uczącym).
2. Weź losową próbę m predyktorów (bez zwracania) ze
zbioru wszystkich p zmiennych niezależnych.
21