Contenu connexe
Similaire à PRML勉強会@長岡 第4章線形識別モデル
Similaire à PRML勉強会@長岡 第4章線形識別モデル (20)
Plus de Shohei Okada (20)
PRML勉強会@長岡 第4章線形識別モデル
- 2. おことわり
•
勉強会用資料です
–
口頭で説明することを前提にしているため, スライド単体では説明不十分な部分があります
•
スライド中の情報の正しさは保証しません
2
- 11. 4章の構成
4.1 識別関数(判別関数)
4.2 確率的生成モデル
4.3確率的識別モデル
----------------------------------------------------
4.4 ラプラス近似
4.5 ベイズロジスティック回帰
11
↓ 省略
- 27. フィッシャーの線形判別
•
次元の削除という観点から
•
これまでは퐷次元入力ベクトルを1次元(実 数)に射影していた
–
当然情報は落ちるが,重みベクトル퐰を調整す ることでうまく分離する
–
最も単純な方法は射影されたクラス平均の分離 度を最大化
27
- 37. パーセプトロンアルゴリズム
•
パーセプトロンの収束定理
–
厳密解が存在する場合,パーセプトロン学習ア ルゴリズムは有限回の繰り返しで厳密解に収束 することを保証
実用的には,分離できない問題なのか,単に収 束が遅いのかの区別が収束するまでわからない という点に注意
37
- 39. ベイズ!
•
2クラスの場合を考える
푝퐶1x=푝x퐶1푝퐶1 푝x퐶1푝퐶1+푝x퐶2푝(퐶2) =11+exp (−푎)=휎푎
푎=ln푝x퐶1푝퐶1 푝x퐶2푝(퐶2)
39
- 46. 最尤解
•
尤度関数は
푝t,X휋,흁1,흁2,횺 =ෑ휋휋x푛흁1,횺푡푛1−휋풩x푛흁2,횺1−푡푛 푁 푛=1
ただし푡=푡1,⋯,푡푁 T,휋=푝퐶1
46
- 48. 最尤解
횺=푁1 푁S1+푁2 푁S2S1=1 푁1Σx푛−흁1x푛−흁1 푇 푛∈퐶1S2=1 푁2Σx푛−흁2x푛−흁2 푇 푛∈퐶2
•
この結果は多クラスにも拡張可能
48
- 57. 最尤法によるパラメータ決定
•
データ集合흓푛,푡푛,푡푛∈0,1, 휙푛=휙푥푛,푛=1,⋯,푁に対する尤度関数
푝tw=ෑ푦푛푡 푛1−푦푛 1−푡푛 푁 푛=1
–
t=푡1,⋯,푡푁 T,푦푛=푝(퐶1|흓풏)
57