Введение. 
Машинное обучение

Анализ поведения человека в играх является актуальной и сложной в решении проблемой. Под игрой понимается процесс, в котором участвуют две или более сторон, ведущих борьбу за реализацию своих интересов. Изучение таких игр используется для поиска оптимальной стратегии при конфликте интересов. Экономисты с помощью теории игр обычно изучают поведение человека на свободном рынке. Они проводят эксперименты, порождающие большие объемы информации и потом анализируют эти данные с помощью экономических моделей. Некоторое время назад к анализу этих данных подключились специалисты из области машинного обучения.

Машинное обучение (Machine Learning) — это раздел прикладной математики, объединяющий методы математической статистики, оптимизации и искусственного интеллекта. Машинное обучение исследует методы построения алгоритмов, способных обучаться на основании эмпирических данных.

Частью машинного обучения является интеллектуальный анализ данных —совокупность подходов, методов и алгоритмов, которые используются для автоматического получения каких-либо нетривиальных выводов на основе эмпирических данных, в том числе сигналов, изображений, текстов, и т. д.

Машинное обучение необходимо для автоматизации решения сложных профессиональных задач. В силу универсальности используемых алгоритмов машинное обучение применимо в самых разных областях деятельности. Например, оно используется для распознавания речи, жестов, рукописного текста, в сфере медицинской диагностики и биржевого анализа, для борьбы со спамом, осуществления финансового контроля и во многих других сферах. Сфера применений машинного обучения постоянно расширяется, так как стремительная информатизация общества приводит к накоплению огромных объёмов эмпирических данных в науке, производстве, социальных областях. А возникающие при этом задачи прогнозирования, управления и принятия решений часто требуют быстрого анализа этих объемов.

В этом случае методы машинного обучения оказываются не только применимыми, но и зачастую более эффективными в условиях, когда человеческий мозг не в силах проанализировать огромный объем данных достаточно быстро. Огромные вычислительные мощности современных компьютеров могут оказать человеку в этом существенную помощь.

В данной работе я изучала применимость машинного обучения для изучения поведения людей в играх, сравнивая машинный анализ с более традиционными исследованиями экономистов.

По своей сути подходы экономистов и специалистов машинного обучения противоположны. Экономисты на первом этапе исследования строят модель экономического поведения. Затем проводится игровой эксперимент, который должен подтвердить или опровергнуть построенную ими модель. На последнем этапе проводится анализ полученных в эксперименте данных. Если данные полностью или почти полностью соответствуют экономической модели, то она считается истинной и может быть использована как в аналогичных играх, так и для прогнозирования экономического поведения в реальной жизни. Это подход «от модели к данным».

Машинное обучение использует подход «от данных к модели». Существует несколько довольно широко известных программ, с помощью которых можно находить различные закономерности в данных, выводить правила, строить деревья решений и так далее. На основании выявленных закономерностей строится модель поведения человека в игре.

Моя работа проводилась в два этапа:

• 1. Изучение двух ранее проведенных исследований, использующих один и тот же набор эмпирических данных, но разные методы изучения (экономический и машинного обучения), выделение главных различий двух подходов.
• 2. Проведение собственного исследования методами машинного анализа на основе данных экономистов и анализ его результатов.

На первом этапе я анализировала процессы социального обучения и сравнивала результаты двух исследований, проведенных эконометрическими методами и методами машинного обучения. Одни ученые (экономисты) построили модель данных и провели эксперимент для ее подтверждения или опровержения. Другие ученые исследовали эмпирические данные, полученные в ходе эксперимента, методами машинного обучения для выявления закономерностей. Моей задачей было оценить применимость и сравнить эффективность двух вышеуказанных подходов.

На втором этапе я изучала работу экономистов, исследующих возникновение «пузырей» на фондовых рынках. Моя задача заключалась в анализе данных экономического эксперимента методами машинного обучения. Взяв за основу полученные в ходе эксперимента данные, я должна была провести собственное исследование с помощью машинного обучения и узнать, приду ли я к тем же выводам, что и экономисты. Помимо этого, необходимо было понять, может ли машинный анализ дополнить экономические исследования значимыми в научном отношении результатами. В ходе собственного исследования я решала две задачи: классификации и кластеризации.

В первой главе своей работы я рассматриваю эксперименты, описанные в следующих статьях: «Social learning in networks: a Quantal Response Equilibrium analysis of experimental data» Syngjoo Choi, Douglas Gale, Shachar Kariv (2012) and «Social Learning in Networks: Extraction of Deterministic Rules» R. Tagiew, D. Ignatov, F. Amroush. Первая работа описывает изначальное исследование, проведенное эконометрическими методами, в ходе которого использовался экономический эксперимент. Вторая работа ученых посвящена анализу данных, полученных в ходе эксперимента, методами машинного обучения. Специалисты машинного обучения доказали, что подход «от данных к модели» может не только повторить результаты эконометрического исследования, но и дополнить их собственными выводами, которые очень близки к реальности.

Во второй главе я рассматриваю еще один экономический эксперимент, который описан в статье «Thar she bursts — Reducing confusion reduces bubbles» Michael Kirchler, Jurgen Huber, Thomas Stockl. Сначала я описываю эксперимент, модель и результаты экономистов. После этого идет описание моего исследования, в ходе которого я проанализировала данные вышеописанного эксперимента методами машинного обучения и достигла результатов.

Приложение содержит коды макросов к моему эксперименту, описанному во второй главе.