Метод потенциальных функций

Материал из MachineLearning.

(Различия между версиями)

Версия 23:25, 9 января 2010

Метод потенциальных функций - метрический классификатор, частный случай метода ближайших соседей. Позволяет с помощью простого алгоритма оценивать вес («важность») объектов обучающей выборки при решении задачи классификации.

Постановка задачи классификации

Приведём краткую постановку задачи классификации в общем виде.

Пусть имеется пространство объектов $X$ и конечное множество классов $Y$ . На множестве $X$ задана функция расстояния $\rho: X \times X \to [0, + \infty]$ . Каждый объект из $X$ относится к некоторому классу из $Y$ посредством отображения $y^*:~X \to Y,$ .

Пусть также задана обучающая выборка пар «объект—ответ»: $X^m = \{(x_1,y_1),\dots,(x_m,y_m)\} \subseteq X \times Y$ .

Требуется построить алгоритм $a(u,X^l)$ , который по заданной выборке $X^l$ аппроксимирует отображение $y^*(u)$ .

Идея метода

Общая идея метода иллюстрируется на примере электростатического взаимодействия элементарных частиц. Известно, что потенциал («мера воздействия») электрического поля элементарной заряженной частицы в некоторой точке пространства пропорционален отношению заряда частицы (Q) к расстоянию до частицы (r): $\varphi(r) \sim \frac{Q}{r}$ .

Метод потенциальных функций реализует полную аналогию указанного выше примера. При классификации объект проверяется на близость к объектам из обучающей выборки. Считается, что объекты из обучающей выборки «заряжены» своим классом, а мера «важности» каждого из них при классификации зависит от его «заряда» и расстояния до классифицируемого объекта.

Основная формула

Перенумеруем объекты обучающей выборки $x_i \in X^l$ относительно удаления от объекта $u$ индексами $x_u^{p}$ ( $p=\overline{1,l}$ ) — то есть таким образом, что $\rho(u,x_u^{(1)}) \leq \rho(u,x_u^{(2)}) \leq \dots \leq \rho(u,x_u^{(l)})$ .

В общем виде, алгоритм ближайших соседей есть:

$a(u) = \mathrm{arg}\max_{y\in Y} \sum_{i=1}^m \bigl[ x_{i; u}=y \bigr] w(i,u)$ , где $w(i,u)$ — мера «важности» (вес) объекта $x_u^{(i)}$ из обучающей выборки относительно классифицируемого объекта $u$ .

Метод потенциальных функций заключается в выборе в качестве $w(i,u)$ весовой функции следующего вида:

$w(i,u)=\gamma(x_u^{(i)}) K \left(\frac{\rho(u,x_u{(i)})}{h(x_u{(i)})}\right)$ , где

$K(r) = \frac{1}{r+a}$ — функция, убывающая с ростом аргумента. Константа $a$ нужна чтобы избежать проблем с делением на ноль. Для простоты обычно полагают $a=1$ .

$\rho(u,x_u{(i)})$ — расстояние от объекта u до i-того ближайшего к u объекта — $x_u^{(i)}$ .

$h(x_u{(i)})$ — параметр. Общий смысл — «ширина потенциала» объекта $x_i \in X^l$ , $\left(i=\overline{1,l}\right)$ . Вводится по аналогии с шириной окна в методе парзеновского окна.

$\gamma(x_u^{(i)})$ — параметр. Общий смысл — «заряд» или степень «важности» объекта $x_i \in X^l$ , $\left(i=\overline{1,l}\right)$ при классификации;

Выбор параметров

Как мы уже заметили, в основной формуле метода потенциальных функций используются две группы параметров: $\{h(x_i)\}$ и $\{\gamma(x_i)\}$ .

«Ширина окна потенциала» $h(x_i)$ выбирается для каждого объекта из эмпирических соображений.

«Важность» $\gamma(x_i)$ объектов выборки можно подобрать, исходя из информации, содержащейся в выборке. Ниже приведён алгоритм, который позволяет «обучать» параметры $(\gamma(x_1), \dots, \gamma(x_n))$ , то есть подбирать их значения по обучающей выборке $X^l$ .

Алгоритм

Вход

Обучающая выборка из $l$ пар «объект-ответ» — $X^l=\left((x_1,y_1), \dots, (x_l,y_l) \right)$ .

Описание алгоритма

Начало. Инициализация: $\gamma_i:=0$ для всех $i=\overline{1,l}$ ;
Повторять:
- Выбрать очередной объект $x_i$ из выборки $X^l$ ;
- Если $a(x_i) \not= y_i$ , то $\gamma_i:=\gamma_i+1$ ;
Пока $Q(a,X^l) > \varepsilon$ (то есть пока процесс не стабилизируется);
Вернуть значения $\gamma_i$ для всех $i=\overline{1,l}$ .

Результат

Значения параметров $\gamma_i \equiv \gamma(x_i)$ для всех $i=\overline{1,l}$

Преимущества и недостатки

Преимущества метода потенциальных функций:

Метод прост для понимания и алгоритмической реализации;
Порождает потоковый алгоритм;
Хранит лишь часть выборки, следовательно, экономит память.

Недостатки метода:

Порождаемый алгоритм медленно сходится;
Параметры $\{\gamma_i\}$ и $\{h_i\}$ настраиваются слишком грубо;
Значения параметров $(\gamma_1,\dots,\gamma_l)$ зависят от порядка выбора объектов из выборки $X^l$ .

Замечания

Полученные в результате работы алгоритма значения параметров $(\gamma_1,\dots,\gamma_l)$ позволяют выделить из обучающей выборки подмножество эталонов — наиболее значимых с точки зрения классификации объектов. Как нетрудно видеть, теоретически на роль эталона подходит любой объект $x_i$ с ненулевой «значимостью» $\left(\gamma_i>0 \right)$ .

См. также

Nearest neighbour search (english wikipedia)

Данная статья является непроверенным учебным заданием.

Студент: Участник:osa

Преподаватель: Участник:Константин Воронцов

Срок: 25 января 2010

До указанного срока статья не должна редактироваться другими участниками проекта MachineLearning.ru. По его окончании любой участник вправе исправить данную статью по своему усмотрению и удалить данное предупреждение, выводимое с помощью шаблона {{Задание}}.

См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе.

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D0%BF%D0%BE%D1%82%D0%B5%D0%BD%D1%86%D0%B8%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D1%85_%D1%84%D1%83%D0%BD%D0%BA%D1%86%D0%B8%D0%B9»

Категории: Метрические алгоритмы классификации | Непроверенные учебные задания

@@ Строка 90: / Строка 90: @@
 * [http://en.wikipedia.org/wiki/Nearest_neighbor_search Nearest neighbour search (english wikipedia)]
-[[Категория:Классификация]]
+[[Категория:Метрические алгоритмы классификации]]
-[[Категория:Линейные классификаторы]]
 {{Задание|osa|Константин Воронцов|25 января 2010}}