Аппроксимация Лапласа (пример)

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(→Вычислительный эксперимент)
(→Вычислительный эксперимент)
Строка 17: Строка 17:
==Вычислительный эксперимент==
==Вычислительный эксперимент==
-
Обозначим плоность распределения SSE как <tex> p_{SSE}</tex>, а его апроксимация лапласса <tex> p_{SSE laplas}</tex>
+
Обозначим плоность распределения SSE как <tex> p_{SSE}</tex>, а его апроксимация лапласса <tex> p_{laplas}</tex>
===Пример 1===
===Пример 1===
Строка 25: Строка 25:
'''При фиксированном''' <tex>w_1=w_1_{opt}</tex> задем произвольное значение <tex>w_2</tex> (500 значений на отрезке [-1;2]) и строим зависимость:
'''При фиксированном''' <tex>w_1=w_1_{opt}</tex> задем произвольное значение <tex>w_2</tex> (500 значений на отрезке [-1;2]) и строим зависимость:
-
[[Изображение:Sse(w2)_1.png|center|frame|<tex>D_{kl}(p_{SSE},p_{laplas})=0.0085</tex>]]
+
[[Изображение:Sse(w2)_1.png|center]]
-
'''Повторим тоже самое''', только теперь варируем сразу оба параметра <tex>w_1</tex> и <tex>w_2</tex>
+
<tex>D_{kl}(p_{SSE},p_{laplas})=0.0085</tex>
 +
 
 +
'''Повторим эксперимент''', только теперь варируем сразу оба параметра <tex>w_1</tex> и <tex>w_2</tex>
[[Изображение:Sse(w1,w2).png|center]]
[[Изображение:Sse(w1,w2).png|center]]
Строка 35: Строка 37:
[[Изображение:Sse(w1,w2)_laplas.png|center]]
[[Изображение:Sse(w1,w2)_laplas.png|center]]
-
в этом случае: <tex>D_{kl}(p_{SSE},p_{SSE laplas})=1.4616</tex>
+
<tex>D_{kl}(p_{SSE},p_{laplas})=1.4616</tex>

Версия 19:23, 16 ноября 2010

Аппроксимация Лапласа - простой, но широко используемый способ нахождения нормального (Гауссово) распределения для апроксимации заданой плотности вероятности.

Содержание

Сэмплирование

Сэмплирование – процесс выбора подмножества наблюдаемых величин из данного множества, для дальнейшего его анализа. Одно из основных приминений методов сэмплирования заключается в оценке мат. ожидания сложных вероятностных распределений: E[f]=\int f(z)p(z) dz, для которых тяжело делать выборку непосредственно из распределения p(z). Однако, можно подсчитать значение p(z) в любой точке z. Один из наиболее простых методов подсчета мат. ожидаия – разбить ось z на равномерную сетку и подсчитать интеграл как сумму E[f] ≅\sum_{l=1}^{L} f(z^{(l)})p(z^{(l)}) dz. Существует несколько методов сэмплирования для создания подходящей выборки длинны L ???.

Постановка задачи

Задана выборка — множество X^N=\{{x}_1,\ldots,{x}_N|x\in\R^M\} значений свободных переменных и множество \{y_1,\ldots, y_N| y\in\R\} соответствующих им значений зависимой переменной. Необходимо для выбранной регрессионной модели f(\mathbf{w},\mathbf{x})показать зависимость среднеквадратичной ошибки от значений параметров модели: SSE=SSE(w); построить график и сделать апроксимацию Лапласа для него; найти расстояния между получиными зависимостями, используя метрику Кульбака - Лейблера.

Описание алгоритма

метрика Кульбака - Лейблера: D_{kl}(p,q)=\sum\limits_{x\in \mathcal{X}} p(x) \ln \frac{p(x)}{q(x)}

Вычислительный эксперимент

Обозначим плоность распределения SSE как p_{SSE}, а его апроксимация лапласса p_{laplas}

Пример 1

Задуманная функция y=x + sin3x. Берем линейную регрессионную модель с 2-мя параметрами: y(x)=w_1+w_2x. Используя МНК находим оптимальное значение w_1_{opt} и w_2_{opt} (при которых SSE минимально).

При фиксированном w_1=w_1_{opt} задем произвольное значение w_2 (500 значений на отрезке [-1;2]) и строим зависимость:

D_{kl}(p_{SSE},p_{laplas})=0.0085

Повторим эксперимент, только теперь варируем сразу оба параметра w_1 и w_2

и его апроксимация лапласса

D_{kl}(p_{SSE},p_{laplas})=1.4616

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%90%D0%BF%D0%BF%D1%80%D0%BE%D0%BA%D1%81%D0%B8%D0%BC%D0%B0%D1%86%D0%B8%D1%8F_%D0%9B%D0%B0%D0%BF%D0%BB%D0%B0%D1%81%D0%B0_%28%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%29»
Личные инструменты