Заключение. 
Машинное обучение

Основным результатом данной работы можно считать то, что результаты экономических исследований воспроизводятся так же методами машинного обучения, при этом с меньшими затратами времени и сил.

Рассматривалось два эксперимента: изучение социального обучения в игре 3-х лиц и изучение пузырей на фондовом рынке. Сравнение эконометрических методов с методами машинного обучения в ходе первого эксперимента показало, что результаты машинного обучения превзошли нулевую гипотезу экономистов. Нулевая гипотеза формулировалась следующим образом: «ошибки чаще появляются, когда на кону мало стоит (при выборе действий разница между ожидаемыми выигрышами мала)». Для ее подтверждения на данных была построена модель на основе теории игр и теории вероятностей. Методами же машинного обучения не только была подтверждена данная гипотеза, но и выявлено большое количество зависимостей между действиями игроков и состояниями природы, а также множество правил действия в определенном раунде. Более того, в ходе исследования данных экономического эксперимента была показана неполнота экономической модели, опирающейся на понятие «эгоистической рациональности» игрока, которое в реальной жизни практически не встречается. Например, согласно результатам исследования методами машинного обучения, люди склонны принимать решения, стремясь получить прибыль, большую, чем у соседей.

Во втором эксперименте экономисты использовали сравнительно просто вычисляемые коэффициенты для оценки вероятности появления «пузырей» на фондовом рынке. Моей задачей было повторение и, по возможности, улучшение результатов экономического исследования методами машинного обучения. Приведя данные к анализируемому виду, я поставила и решила 2 задачи: кластеризации и классификации. Задача кластеризации была создана для того, чтобы повторить результаты экономистов. В результате, без вычисления каких-либо коэффициентов я вывела легко-интерпретируемые поведенческие стратегии, зависящие от состояния природы (определяемого FV и C/A). Эти стратегии поведения и определяли причину появления «пузырей» на рынке.

Задача классификации была создана для решения предсказательной задачи. В ней были выведены правила, по которым можно определить, возможно ли появление «пузыря» на рынке или нет. Правила получились простыми, но работающими с очень высокой точностью — 97%. Важно отметить, что эти правила были выведены из данных одного конкретного экспериментального рынка. Избегая поспешных выводов, перед расширением предсказательной задачи на какой-либо общий рынок нужно провести дополнительные эксперименты, подтверждающий либо опровергающий данные правила.

Во втором эксперименте экономия сил и времени при использовании методов машинного обучения была не слишком велика, зато в первом эксперименте — вполне очевидна. Большинство экспериментов порождает громадные объемы данных и для них эффективность использования методов машинного обучения значительно возрастает.

Главная цель моей работы — исследовать эффективность методов машинного обучения для изучения поведения людей в играх. Фактически же, сфера применения подобных методов гораздо шире: от социологических до эконометрических, биологических и иных исследований, оперирующих большими объемами данных. На мой взгляд, совместное применение методов машинного обучения и методов изучаемой предметной области может дать впечатляющие результаты.