Регрессионная модель

Материал из MachineLearning.

Версия 07:22, 20 октября 2008 (править) Strijov (Обсуждение | вклад) (→Литература) ← К предыдущему изменению		Версия 15:36, 2 ноября 2008 (править) (отменить) Strijov (Обсуждение | вклад) (→Смотри также) К следующему изменению →
Строка 53:		Строка 53:
	* [[Модель зависимости]]		* [[Модель зависимости]]
	* [[Регрессионный анализ]]		* [[Регрессионный анализ]]
-	* [[Гипотеза порождения данных]]	+	* [[Анализ регрессионных остатков]]
		+	* [[Символьная регрессия]]
		+	* [[Линейная регрессия (пример)]]
		+
		+	== Литература ==
		+	* Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Издательский дом «Вильямс». 2007.
		+	* Стрижов В. В. Методы индуктивного порождения регрессионных моделей. М.: ВЦ РАН. 2008. 55 с. [[Media:strijov08ln.pdf|Брошюра, PDF]].
	== Литература ==		== Литература ==

---

Версия 15:36, 2 ноября 2008

Термину регрессионная модель, используемому в регрессионном анализе, можно сопоставить синонимы: «теория», «гипотеза». Эти термины пришли из статистики, в частности из раздела «проверка статистических гипотез». Регрессионная модель есть прежде всего гипотеза, которая должна быть подвергнута статистической проверке, после чего она принимается или отвергается.

Регрессионная модель  — это параметрическое семейство функций, задающее отображение

где  — пространтсво параметров,  — пространство свободных переменных,  — пространство зависимых переменных.

Так как регрессионный анализ предполагает поиск зависимости матожидания случайной величины от свободных переменных , то в её состав входит аддитивная случайная величина :

Предположение о характере распределения случайной величины  называются гипотезой порождения данных. Эта гипотеза играет центральную роль в выборе критерия оценки качества модели и, как следствие, в способе настройки параметров модели.

Модель является настроенной (обученной) когда зафиксированы её параметры, то есть модель задаёт отображение

для фиксированного значения .

Различают математическую модель и регрессионную модель. Математическая модель предполагает участие аналитика в конструировании функции, которая описывает некоторую известную закономерность. Математическая модель является интерпретируемой — объясняемой в рамках исследуемой закономерности. При построении математической модели сначала создаётся параметрическое семейство функций, затем с помощью измеряемых данных выполняется идентификация модели — нахождение её параметров. Известная функциональная зависимость объясняющей переменной и переменной отклика — основное отличие математического моделирования от регрессионного анализа. Недостаток математического моделирования состоит в том, что измеряемые данные используются для верификации, но не для построения модели, вследствие чего можно получить неадекватную модель. Также затруднительно получить модель сложного явления, в котором взаимосвязано большое число различных факторов.

Регрессионная модель объединяет широкий класс универсальных функций, которые описывают некоторую закономерность. При этом для построения модели в основном используются измеряемые данные, а не знание свойств исследуемой закономерности. Такая модель часто неинтерпретируема, но более точна. Это объясняется либо большим числом моделей-претендентов, которые используются для построения оптимальной модели, либо большой сложностью модели. Нахождение параметров регрессионной модели называется обучением модели.

Недостатки регрессионного анализа: модели, имеющие слишком малую сложность, могут оказаться неточными, а модели, имеющие избыточную сложность, могут оказаться переобученными.

Примеры регрессионных моделей: линейные функции, алгебраические полиномы, ряды Чебышёва, нейронные сети без обратной связи, например, однослойный персептрон Розенблатта, радиальные базисные функции и прочее.

И регрессионная, и математическая модель, как правило, задают непрерывное отображение. Требование непрерывности обусловлено классом решаемых задач: чаще всего это описание физических, химических и других явлений, где требование непрерывности выставляется естественным образом. Иногда на отображение  накладываться ограничения монотонности, гладкости, измеримости, и некоторые другие. Теоретически, никто не запрещает работать с функциями произвольного вида, и допускать в моделях существование не только точек разрыва, но и задавать конечное, неупорядоченное множество значений свободной переменной, то есть, превращать задачи регрессии в задачи классификации.

При решении задач регрессионного анализа встают следующие вопросы.

• Как выбрать тип и структуру модели, какому именно семейству она должна принадлежать?
• Какова гипотеза порождения данных, каково распределение случайной переменной?
• Какой целевой функцией оценить качество аппроксимации?
• Каким способом отыскать параметры модели, каков должен быть алгоритм оптимизации параметров?

Смотри также

• Модель зависимости
• Регрессионный анализ
• Анализ регрессионных остатков
• Символьная регрессия
• Линейная регрессия (пример)

Литература

• Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Издательский дом «Вильямс». 2007.
• Стрижов В. В. Методы индуктивного порождения регрессионных моделей. М.: ВЦ РАН. 2008. 55 с. Брошюра, PDF.

Литература

• Bishop, C. Pattern Recognition And Machine Learning. Springer. 2006.
• MacKay, D. Information, inference, learning algorithms. Cambridge University Press. 2003.
• Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Издательский дом «Вильямс». 2007.
• Nabney, Yan T., Netlab: Algorithms for pattern recognition. Springer. 2004.
• Lehmann, E. L., Romano, J. P. Testing Statistical Hypotheses. Springer. 2005.
• Burnham, K., Anderson, D. R. Model Selection and Multimodel Inference. Springer. 2002.
• Grunwald, P D., Myung, I. J. (eds.) Advances In Minimum Description Length: Theory And Applications. Springer. 2005.
• Стрижов В. В. Методы индуктивного порождения регрессионных моделей. М.: ВЦ РАН. 2008. 55 с. Брошюра, PDF.