Однослойные сети RBF для решения задач регрессии (пример)

Материал из MachineLearning.

Версия от 08:37, 17 июня 2010; Felagund (Обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)

Радиальная функция — это функция $f(x)$ , зависящая только от расстояния между $x$ и фиксированной точкой пространства $X$ . В данной работе используются гауссианы $p_j(x) = N(x; \mu _j ,\Sigma _j)$ , которые можно представить в виде $p_j(x) = N_j exp(-\frac{1}{2} \rho _j (x, \mu _j)$
где $N_j = (2\pi)^ {-\frac{n}{2}}(\sigma _{j1}, \dots ,\sigma _{jn})^{-1}$ — нормировочный множитель,
$\rho _j(x, x')$ — взвешенная евклидова метрика в $n$ -мерном пространстве $X$ :
$~\rho (x, x') = \sum ^n _{d = 1} \sigma ^{-2} _{jd} |\xi _d - \xi _d '|$ ,
$x = (\xi _1, . . . ,\xi _n), x' = (\xi _1 ', . . . , \xi _n')$ .
Сеть радиальных базисных функций - нейронная сеть прямого распространения сигнала, которая содержит промежуточный (скрытый) слой радиально симметричных нейронов. Такой нейрон преобразовывает расстояние от данного входного вектора до соответствующей ему фиксированной точки пространства $X$ по некоторому нелинейному закону, заданному радиальной функцией. В данной статье мы рассмотрим применение этой нейронной сети к решению задачи регрессии с помощью восстановления смесей распределений.

Содержание

1 Постановка задачи
2 Описание алгоритма
- 2.1 Разделение смеси рапределений
- 2.2 Восстановление регрессии
3 Вычислительный эксперимент
4 Исходный код
5 См. также
6 Литература

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. Предполагается, что на множестве объектов задана плотность распределения $p(x)$ , представимая в виде смеси распределений - $k$ гауссиан с параметрами $\mu_j$ и $\Sigma_j$ : $p(x) = \sum_{i=1}^k w_jp_j(x) = \sum_{i=1}^k w_jN(x;\mu_j,\Sigma_j).$
$N(x;\mu_j,\Sigma_j) = \frac{1}{\sqrt{(2\pi)^ndet\Sigma_j}}e^{-\frac{1}{2}(x-\mu_j)\Sigma_j^{-1}(x-\mu_j)^{T}}$
Требуется решить задачу регрессии с помощью однослойной сети RBF, параметрами которой являются
$k$ - число компонент смеси,
$w_j$ - веса компонент,
$\theta_j=(\mu_j,\Sigma_j)$ - центры и дисперсия компонент,
$y(\mu_j)=Y_j$ - значения зависимой переменной в центрах компонент.
Смесь распределений требуется восстановить с помощью EM-алгоритма с добавлением компонент.
Таким образом решается задача регрессии с помощью однослойной сети RBF, обучаемой с помощью EM-алгоритма с добавлением компонент.

Описание алгоритма

Разделение смеси рапределений

Настройка параметров RBF-сети происходит с помощью EM-алгоритма с добавлением компонент. Идея EM-алгоритма заключается во введении вспомогательного вектора скрытых переменных $G$ : $g_{ij} = P(\theta_j |x_i)$ . С одной стороны, он может быть вычислен, если известны значения вектора параметров $\theta$ , с другой стороны, поиск максимума правдоподобия сильно упрощается, если известны значения скрытых переменных. EM-алгоритм состоит из итерационного повторения двух шагов. На E-шаге вычисляется ожидаемое значение (expectation) вектора скрытых переменных $G$ по текущему приближению вектора параметров $\theta$ . На М-шаге решается задача максимизации правдоподобия (maximization) и находится следующее приближение вектора $\theta$ по текущим значениям векторов $G$ и $\theta$ .

Если число компонент смеси заранее неизвестно, то применяется EM-алгоритм с последовательным добавлением компонент. Его идея заключается в том, что если данные описаны смесью $k$ компонент, то можно добавить в смесь $(k+1)$ -ю компоненту, построенную на плохо описанных элементах. </br> Элемент $x_i$ считается плохо описанным, если его правдободобие $p(x_i)<=\frac{\max_i {p(x_i)}}{R}$ , $R$ - параметр. </br> Далее на смеси из $(k+1)$ -ой компоненты запускается EM-алгоритм.

Для более подробного описания см.

Восстановление регрессии

Значения зависимой переменной в центрах компонент
$Y_j=y(\mu_j)=\frac{\sum_{i=1}^N y_ip_j(x_i)}{\sum_{i=1}^N p_j(x_i)}$
Значение $a(x)$ для произвольного $x \in R^m$ получим, используя формулу Надарая-Ватсона
$a(x)=\frac{\sum_{j=1}^k Y_jw_jp_j(x)}{\sum_{j=1}^k w_jp_j(x)}$
Эта формула интуитивно очевидна: значение $a(x)$ есть среднее $Y_j$ по центрам компонент с учетом вероятности того, что объект $x$ принадлежит $j$ -ой компоненте смеси.

Вычислительный эксперимент

Эксперименты проводились на модельных данных. $x \in R$ , т.е. один признак. Цель эксперимента - проверить работу описанного алгоритма, исследовать его сходимость.

Пример 1

Задана функция $y=x$ . Выборка $X^N$ сгенерирована случайно согласно следующему распределению: несколько нормальных классов с центрами в точках $\mu_j=j$ , $j=1\ldots4$ и нормальной дисперсией $\sigma_j=0.03$ . В каждом классе $150$ объектов. К значениям $y_1,\ldots, y_N$ добавлен нормальный шум с дисперсией $0.05$
Красный цвет - данные, синий - полученная в результате работы алгоритма зависимость $y(x)$

Результат разделения смеси распределений(середина полосы-центр класса, полуширина - корень из дисперсии класса):

Найдено 4 компоненты
[4.0402; 2.5110; 2.5089; 0.9861] - центры,
[0.0271; 0.4256; 0.4257; 0.0188] - дисперсии ,
[0.2257; 0.1908; 0.3537; 0.2299] - веса.

Вторая и третяя компоненты совпадают, т.е. на самом дела найдено всего 3 компоненты, одна из которых разбита на 2. Дальнейшее разделение смеси приводит только к большему разделению этой компоненты.
Плохо описанные элементы на следующем шаге(синим цветом):

Пример 2

Те же данные, что и в примере 1, попытка отделить новую компоненту от старой. Если она попадает в то место, где уже есть старая - сдвигаем ее центр на небольшую величину.

Результат разделения смеси распределений

Плохо описанные элементы:

Пример 3

Нелинейная функция

Результат разделения смеси распределений

Кластеризация на основе разделения смеси

Исходный код

Скачать код MATLAB можно здесь: RBFlearn.m , calculationYm.m , EMk.m , probabilityCalculation.m , RBFregression.m

См. также

Литература

Хайкин, Саймон. Нейронные сети: полный курс, 2-е изд., испр. : Пер. с англ. - М. : ООО "И.Д. Вильямс", 2006. - 1104 с. : ил. - Парал. тит. англ. ISBN 5-8459-0890-6 (рус.)
К. В. Воронцов, Лекции по линейным алгоритмам классификации и регрессии

Данная статья является непроверенным учебным заданием.

Студент: Участник:Кононенко Даниил

Преподаватель: Участник:В.В.Стрижов

Срок: 28 мая 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%9E%D0%B4%D0%BD%D0%BE%D1%81%D0%BB%D0%BE%D0%B9%D0%BD%D1%8B%D0%B5_%D1%81%D0%B5%D1%82%D0%B8_RBF_%D0%B4%D0%BB%D1%8F_%D1%80%D0%B5%D1%88%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B7%D0%B0%D0%B4%D0%B0%D1%87_%D1%80%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81%D0%B8%D0%B8_%28%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%29»

Категории: Непроверенные учебные задания | Нейронные сети | Практика и вычислительные эксперименты