Главная » Просмотр файлов » 2 Обобщенные линейные модели. Регуляризация обучения

2 Обобщенные линейные модели. Регуляризация обучения (1162170), страница 3

Файл №1162170 2 Обобщенные линейные модели. Регуляризация обучения (Д.П. Веторв, Ю.И. Журавлёв - Лекции) 3 страница2 Обобщенные линейные модели. Регуляризация обучения (1162170) страница 32019-09-19СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 3)

статистикиНормальное распределениеРешение нерешаемых СЛАУ2 Статистическая постановка задачи машинного обученияВероятностное описаниеБайесовские решающие правила3 Линейная регрессияКлассическая линейная регрессияМетод наименьших квадратовВероятностная постановка задачи4 Задача классификацииЛогистическая регрессияМетод IRLSМинимизация невязкиЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификации• Наиболее часто используемой функцией потерьявляется квадратичная S(t, t̂) = (t − t̂)2• Значение регрессионной функции на обучающейвыборке в матричном виде может быть записано какy = Φw, где Φ = (φij ) = (φj (xi )) ∈ Rn×m• Таким образом, приходим к следующей задачеy − t2 = Φw − t2 → minwВзяв производную по w и приравняв ее к нулю,получаем∂[wT ΦT Φw − 2wT ΦT t + tT t]∂Φw − t2==∂w∂w= 2ΦT Φw − 2ΦT t = 0w = (ΦT Φ)−1 ΦT tРегуляризация задачиЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачи• Заметим, что формула для весов линейной регрессиипредставляет собой псевдорешение уравнения Φw = t• Матрица ΦT Φ ∈ Rm×m вырождена (Упр.)при m > n• Регуляризуя вырожденную матрицу, получаем−1 TΦ tw = ΦT Φ + λI• Отсюда формула для прогноза объектов обучающейвыборки по их правильным значениям−1 Tt̂ = y = Φ ΦT Φ + λIΦ t = HtЗадачаклассификацииС историческим обозначением прогноза — навешиванием шляпкисвязано неформальное название матрицы H, по-английскизвучащее как hat-matrixОсобенности квадратичной функции потерьЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификации• Достоинства• Квадратичная функция потерь гладкая (непрерывнаяи дифференцируемая)• Решение может быть получено в явном виде• Существует простая вероятностная интерпретацияпрогноза и функции потерь• Недостатки• Решение неустойчиво (не робастно) относительно дажемалого количества выбросов.

Это связано с быстрымвозрастанием квадратичной функции потерь прибольших отклонениях от нуля• Квадратичная функция неприменима к задачамклассификацииПлан лекцииЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификации1 ЛикбезОсновные понятия мат. статистикиНормальное распределениеРешение нерешаемых СЛАУ2 Статистическая постановка задачи машинного обученияВероятностное описаниеБайесовские решающие правила3 Линейная регрессияКлассическая линейная регрессияМетод наименьших квадратовВероятностная постановка задачи4 Задача классификацииЛогистическая регрессияМетод IRLSНормальное распределение ошибокЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификации• Рассмотрим вероятностную постановку задачивосстановления регрессии.

Регрессионная переменная t— случайная величина с плотностью распределенияp(t|x)• В большинстве случаев предполагается, что tраспределена нормально относительно некоторого мат.ожидания y(x), определяемого точкой xt = y(x) + ε,ε ∼ N (ε|0, 1)• Необходимо найти функцию y(x), которую мы можемотождествить с уравнением регрессии• Предположение о нормальном распределенииотклонений можно обосновать ссылкой нацентральную предельную теоремуМетод максимального правдоподобия длярегрессииЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификации• Используем ММП (не путать с одноименной кафедрой)для поиска y(x)• Правдоподобие задается следующей формулойp(t|y) =ni=1(ti − yi )21√ exp −→ max22π• Взяв логарифм и отбросив члены, не влияющие наположение максимума, получимni=1(ti − yi )2 =ni=1(ti − wT φ(xi ))2 → minw• Таким образом, применение метода максимальногоправдоподобия в предположении о нормальностиотклонений эквивалентно методу наименьшихквадратовВероятностный смысл регуляризацииЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификации• Теперь будем максимизировать не правдоподобие, аапостериорную вероятность• По формуле условной вероятностиp(t|X, w)p(w)→ max,wp(t, X)знаменатель не зависит от w, поэтому им можнопренебречь • Пусть p(w) ∼ N w 0, λ−1 I .

Тогдаλm/2122p(w|t, X) ∝ √ m+n exp − Φw − t + λw22πp(w|t, X) =• Логарифмируя и приравнивая производную по w кнулю, получаемw = (ΦT Φ + λI)−1 ΦT t• Регуляризация эквивалентна введению априорногораспределения, поощряющего небольшие весаЗачем нужна реугляризация весовЛекция 2Ветров,ЖуравлевЛикбезРассмотрим задачу восстановления регрессии сполиномиальными базисными функциями: x ∈ R, φj (x) = xj ,j = 0, .

. . , MСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификацииM =01t0−10x1Зачем нужна реугляризация весовЛекция 2Ветров,ЖуравлевЛикбезРассмотрим задачу восстановления регрессии сполиномиальными базисными функциями: x ∈ R, φj (x) = xj ,j = 0, .

. . , MСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификацииM =11t0−10x1Зачем нужна реугляризация весовЛекция 2Ветров,ЖуравлевЛикбезРассмотрим задачу восстановления регрессии сполиномиальными базисными функциями: x ∈ R, φj (x) = xj ,j = 0, . . . , MСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификацииM =31t0−10x1Зачем нужна реугляризация весовЛекция 2Ветров,ЖуравлевЛикбезРассмотрим задачу восстановления регрессии сполиномиальными базисными функциями: x ∈ R, φj (x) = xj ,j = 0, .

. . , MСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификацииM =91t0−10x1Значения наиболее правдоподобных весовЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияКлассическаялинейнаярегрессияМетоднаименьшихквадратовВероятностнаяпостановказадачиЗадачаклассификацииweight M = 0 M = 1 M = 30.820.310.35-1.277.99232.37w2-25.43-5321.83w317.3748568.31w0w10.19M=9w4-231639.30w5640042.26w6-1061800.52w71042400.18w8-557682.99w9125201.43Таблица: Значения наиболее правдоподобных весов взависимости от степени полинома.

С увеличением степени,абсолютные значения весов быстро растутПлан лекцииЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияЗадачаклассификацииЛогистическаярегрессияМетод IRLS1 ЛикбезОсновные понятия мат. статистикиНормальное распределениеРешение нерешаемых СЛАУ2 Статистическая постановка задачи машинного обученияВероятностное описаниеБайесовские решающие правила3 Линейная регрессияКлассическая линейная регрессияМетод наименьших квадратовВероятностная постановка задачи4 Задача классификацииЛогистическая регрессияМетод IRLSОсобенности задачи классификацииЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияЗадачаклассификацииЛогистическаярегрессияМетод IRLS• Рассмотрим задачу классификации на два классаt ∈ {−1, +1}• Ее можно свести к задаче регрессии, например,следующим образомt̂(x) = sign(y(x)) = signmwj φj (x)j=1• Возникает вопрос: что использовать в качествезначений регрессионной переменной на этапе обучения?• Наиболее распространенный подход заключается виспользовании значения +∞ для t = +1 и −∞ дляt = −1• Геометрический смысл: чем дальше от нуля значениеy(x), тем увереннее мы в классификации объекта xПравдоподобие правильной классификацииЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияЗадачаклассификацииЛогистическаярегрессияМетод IRLS• Метод наименьших квадратов, очевидно, неприменимпри таком подходе• Воспользуемся вероятностной постановкой длявыписывания функционала качества• Определим правдоподобие классификации следующимобразом1p(t|x, w) =1 + exp(−ty(x))• Это логистическая функция.

Легко показать, чтоt p(t|x, w) = 1 и p(t|x, w) > 0, а, значит, она являетсяфункцией правдоподобияФункционал качества в логистическойрегрессииЛекция 21Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообучения0.5ЛинейнаярегрессияЗадачаклассификацииЛогистическаярегрессияМетод IRLS0−505• Правдоподобие правильной классификации всейвыборки имеет видnnp(t|X, w) =p(ti |xi , w) =i=1i=11 m1 + exp −ti j=1 wj φj (xi )План лекцииЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияЗадачаклассификацииЛогистическаярегрессияМетод IRLS1 ЛикбезОсновные понятия мат. статистикиНормальное распределениеРешение нерешаемых СЛАУ2 Статистическая постановка задачи машинного обученияВероятностное описаниеБайесовские решающие правила3 Линейная регрессияКлассическая линейная регрессияМетод наименьших квадратовВероятностная постановка задачи4 Задача классификацииЛогистическая регрессияМетод IRLSОсобенности функции правдоподобияклассификацииЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияЗадачаклассификацииЛогистическаярегрессияМетод IRLS• Приравнивание градиента логарифма правдоподобия кнулю приводит к трансцендентным уравнениям,которые неразрешимы аналитически• Легко показать, что гессиан логарифма правдоподобиянеположительно определен∂ 2 log p(t|x, w)≤0∂w2• Это означает, что логарифм функции правдоподобияявляется вогнутым.• Логарифм правдоподобия обучающей выборкиL(w) = log p(t|X, w), являющийся суммой вогнутыхфункций, также вогнут, а, значит, имеет единственныймаксимумМетод оптимизации НьютонаЛекция 2Ветров,ЖуравлевЛикбезСтатистическаяпостановказадачимашинногообученияЛинейнаярегрессияЗадачаклассификацииЛогистическаярегрессияМетод IRLSОсновная идея метода Ньютона — это приближение взаданной точке оптимизируемой функции параболой ивыбор минимума этой параболы в качестве следующейточки итерационного процесса:f (x) → minwf (x) g(x) = f (x0 ) + (∇f (x0 ))T (x − x0 ) +1(x − x0 )T (∇∇f (x 0 ))(x − x0 )2∇g(x∗ ) = ∇f (x0 ) + (∇∇f (x0 ))(x∗ − x0 ) = 0 ⇒ x∗ = x0 − (∇∇f (x 0 ))−1 (∇f (x0 ))Пример.

Характеристики

Тип файла
PDF-файл
Размер
292,72 Kb
Тип материала
Высшее учебное заведение

Список файлов лекций

Свежие статьи
Популярно сейчас
Почему делать на заказ в разы дороже, чем купить готовую учебную работу на СтудИзбе? Наши учебные работы продаются каждый год, тогда как большинство заказов выполняются с нуля. Найдите подходящий учебный материал на СтудИзбе!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6461
Авторов
на СтудИзбе
304
Средний доход
с одного платного файла
Обучение Подробнее