Repository navigation
Expand file tree
/
Copy pathmachine-learning.typ
More file actions
1896 lines (1753 loc) · 83.2 KB
/
Copy pathmachine-learning.typ
File metadata and controls
1896 lines (1753 loc) · 83.2 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
// =============================================================================
// Klasyczne uczenie maszynowe
// =============================================================================
#set page(paper: "a5", margin: (x: 18mm, top: 22mm, bottom: 20mm), numbering: "1")
#set text(font: "Concrete Math", lang: "pl")
#set par(justify: true, leading: 0.65em)
#show heading.where(level: 1): it => counter(math.equation).update(0) + it
#show heading.where(level: 1): set text(13pt)
#show heading.where(level: 2): set text(11pt)
#show heading.where(level: 3): set text(10.5pt)
#show heading: set block(above: 1.8em, below: 1.2em)
#show math.equation: set text(font: "Concrete Math")
#set math.equation(
numbering: n => ("(" + str(counter(heading).get().first()) + "." + str(n) + ")"),
supplement: none,
)
#set heading(
numbering: (..n) => (
(if n.pos().len() == 1 { "§ " } else { "" }) + n.pos().map(str).join(".") + "."
),
supplement: none,
)
#show ref: it => {
let el = it.element
if el != none and el.func() == heading {
let num = counter(heading).at(el.location())
let s = (if num.len() == 1 { "§ " } else { "" }) + num.map(str).join(".")
link(el.location(), s)
} else {
it
}
}
#let algorithm(title, body) = block(
width: 100%,
breakable: false,
inset: (y: 6pt),
stroke: (top: 0.8pt, bottom: 0.8pt),
)[
#set par(justify: false, leading: 0.55em)
*Algorytm:* #title
#v(-0.4em)
#line(length: 100%, stroke: 0.4pt)
#v(-0.2em)
#body
]
#align(center)[
#text(16pt, strong("Klasyczne Uczenie Maszynowe")) \
#v(0.5em)
Bartosz Hanc
]
#v(0.8em)
#pad(x: 1.2em)[
#set text(9pt)
Zwięzłe wprowadzenie do klasycznych metod uczenia
maszynowego i statystycznego: od wnioskowania Bayesowskiego, regresji
liniowej i uogólnionych modeli liniowych, przez procesy Gaussowskie i metody
próbkowania Monte Carlo (IS, MCMC), po drzewa decyzyjne, metody zespołowe
(bagging, lasy losowe, boosting), metody nieparametryczne oraz ewaluację
modeli.
]
#v(0.6em)
#outline()
#pagebreak()
= Wnioskowanie Bayesowskie
Typowym sposobem połączenia wyników matematycznej teorii prawdopodobieństwa z
eksperymentami jest interpretacja częstościowa, która stwierdza iż
prawdopodobieństwo zdarzenia $A$ to częstość realizacji $A$ w dużej liczbie prób.
Dla wielu zdarzeń pojęcie _dużej liczby prób_ nie jest jednak dobrze
zdefiniowane. Wówczas interpretacja Bayesowska prawdopodobieństwa jako miary
niepewności co do rezultatu określonego zdarzenia jest bardziej naturalna.
Wnioskowanie Bayesowskie opiera się na twierdzeniu Bayesa
$
underbrace(p(bold(x) | bold(y)), "posterior") =
(underbrace(p(bold(y) | bold(x)), "likelihood")
underbrace(p(bold(x)), "prior")) /
(underbrace(integral p(bold(y) | bold(x)) p(bold(x)) dif bold(x), "evidence"))
$
oraz dwóch regułach znanych z rachunku prawdopodobieństwa: _sum rule_ i
_product rule_,
$
p(bold(x)) = integral p(bold(x), bold(y)) dif bold(y) quad, quad
p(bold(x), bold(y)) = p(bold(x) | bold(y)) p(bold(y)) quad.
$
Typowe zastosowanie wnioskowania Bayesowskiego przebiega następująco: mamy
pewien zbiór obserwacji $cal(X)$, o których zakładamy, iż pochodzą z pewnego
rozkładu prawdopodobieństwa z parametrami $bold(theta)$, tj. znamy wiarygodność
$p(cal(X) | bold(theta))$. Zakładamy dodatkowo pewien prior nad parametrami
$p(bold(theta))$. Następnie korzystając z twierdzenia Bayesa wyznaczamy rozkład
a posteriori nad parametrami modelu
$
p(bold(theta) | cal(X)) =
(p(cal(X) | bold(theta)) p(bold(theta))) /
(integral p(cal(X) | bold(theta)) p(bold(theta)) dif bold(theta)) quad.
$
Rozkład a posteriori podsumowuje całą naszą wiedzę o estymowanym parametrze (z
perspektywy wnioskowania Bayesowskiego). Korzystając z tego rozkładu możemy:
- Wyznaczyć estymatę punktową (tzw. estymatę _maximum a posteriori_ (MAP))
parametru $bold(theta)$ jako
$
bold(theta)_"MAP" = arg max_bold(theta) p(bold(theta) | cal(X)) quad.
$
- Wyznaczyć _przedział wiarygodności_ (ang. _credible interval_, nie mylić z
przedziałem ufności) parametru $bold(theta)$ jako
$
C_alpha (bold(theta); cal(X)) = (underline(bold(theta)), overline(bold(theta))) quad,
$
gdzie
$
integral_underline(bold(theta))^overline(bold(theta))
p(bold(theta) | cal(X)) dif bold(theta) = 1 - alpha quad.
$
- Skonstruować _rozkład predyktywny_ (ang. _posterior predictive distribution_)
dla nowych obserwacji
$
p(bold(x) | cal(X)) = integral p(bold(x) | bold(theta))
p(bold(theta) | cal(X)) dif bold(theta) quad.
$
- Wyznaczyć wartość parametru $bold(theta)$, która minimalizuje oczekiwaną
stratę dla pewnej funkcji kosztu,
$
bold(theta)^* & = arg min_(bold(theta)') EE_(bold(theta) ~ p(bold(theta) | cal(X)))
[L(bold(theta)', bold(theta))] \
& = arg min_(bold(theta)') integral L(bold(theta), bold(theta)')
p(bold(theta) | cal(X)) dif bold(theta) quad.
$
== Rozkład normalny
Wielowymiarowy rozkład normalny o średniej $bold(mu) in RR^n$ i symetrycznej,
nieujemnie określonej macierzy kowariancji $bold(Sigma) in RR^(n times n)$ to
rozkład o gęstości danej przez
$
p(bold(x) | bold(mu), bold(Sigma)) =
1 / ((2pi)^(n/2) |bold(Sigma)|^(1/2))
exp[- 1 / 2 (bold(x) - bold(mu))^top bold(Sigma)^(-1) (bold(x) - bold(mu))] quad.
$
Macierz $bold(Lambda) = bold(Sigma)^(-1)$ nazywamy macierzą precyzji. Będziemy
często korzystać z następującej własności rozkładów normalnych: jeśli zmienne
$bold(x) in RR^n$ i $bold(y) in RR^m$ mają łącznie wielowymiarowy rozkład
normalny
$
mat(bold(x); bold(y)) ~ cal(N)(
mat(bold(mu)_x; bold(mu)_y),
mat(bold(Sigma)_(x x), bold(Sigma)_(x y); bold(Sigma)_(y x), bold(Sigma)_(y y))
) quad,
$
to rozkłady brzegowe są rozkładami normalnymi
$
bold(x) ~ cal(N)(bold(mu)_x, bold(Sigma)_(x x)) quad, quad
bold(y) ~ cal(N)(bold(mu)_y, bold(Sigma)_(y y))
$
oraz rozkłady warunkowe są rozkładami normalnymi
$
bold(x) | bold(y) ~ cal(N)(bold(mu)_(x | y), bold(Sigma)_(x | y)) quad,
$
gdzie
$
bold(mu)_(x | y) & = bold(mu)_x + bold(Sigma)_(x y) bold(Sigma)_(y y)^(-1)
(bold(y) - bold(mu)_y) quad, \
bold(Sigma)_(x | y) & = bold(Sigma)_(x x) - bold(Sigma)_(x y)
bold(Sigma)_(y y)^(-1) bold(Sigma)_(y x) quad.
$
== Liniowe modele Gaussowskie
Jednym z najprostszych modeli, do którego można zastosować wnioskowanie
Bayesowskie jest tzw. liniowy model Gaussowski. Zakładamy, iż mamy obserwację
$bold(y)$, która pochodzi z rozkładu normalnego
$
bold(y) | bold(x) ~ cal(N)(bold(A) bold(x) + bold(b), bold(Sigma)_y) quad,
$
gdzie $bold(x)$ jest pewną zmienną ukrytą (ang. _hidden variable_), natomiast
$bold(A)$, $bold(b)$ i $bold(Sigma)_y$ są znane dokładnie. Dodatkowo przyjmijmy
_prior sprzężony do wiarygodności_ dla parametru $bold(x)$ będący rozkładem
normalnym o znanych parametrach $bold(mu)_x$, $bold(Sigma)_x$,
$
bold(x) ~ cal(N)(bold(mu)_x, bold(Sigma)_x) quad.
$
Wówczas rozkład a posteriori również będzie rozkładem normalnym o parametrach
$
bold(mu)_(x | y) & = bold(Sigma)_(x | y) (bold(A)^top bold(Sigma)_y^(-1)
(bold(y) - bold(b)) + bold(Sigma)_x^(-1) bold(mu)_x) quad, \
bold(Sigma)_(x | y) & = (bold(Sigma)_x^(-1) + bold(A)^top bold(Sigma)_y^(-1)
bold(A))^(-1) quad.
$
= Regresja liniowa
Załóżmy, że modelujemy obserwacje postaci $(y, bold(x))$, gdzie $y$ to skalar
zwany _zmienną objaśnianą_, natomiast $bold(x)$ to wektor cech lub inaczej
_zmiennych objaśniających_. Zakładamy, że zmienna objaśniana zależy liniowo od
zmiennych objaśniających oraz, iż zależność ta jest obarczona pewnym błędem
losowym. Model ten ma więc postać
$
y(bold(x)) = phi(bold(x); bold(w), b) + epsilon =
bold(w)^top bold(x) + b + epsilon quad,
$
gdzie $y(bold(x))$ jest wartością zmiennej losowej obserwowaną dla znanego
dokładnie wektora cech $bold(x)$ (wektor cech _nie_ jest zmienną losową),
natomiast $bold(w)$ i $b$ to parametry modelu $phi$, o których chcemy
wnioskować. Model ten jest typowym przykładem _regresji liniowej_.
Parametryzację regresji liniowej można uprościć przyjmując, że do wektora cech
dokładamy stałą wartość $1$, a parametr $b$ włączamy do $bold(w)$,
$
bold(x)^top <- mat(bold(x)^top, 1) quad, quad
bold(w)^top <- mat(bold(w)^top, b) quad.
$
W zależności od przyjętego rozkładu zmiennej opisującej błąd losowy $epsilon$
otrzymujemy różne modele, np.:
- regresja liniowa (ang. _linear regression_), $epsilon ~ cal(N)(0, sigma^2)$
dla znanego $sigma^2$,
- regresja odporna (ang. _robust regression_),
$epsilon ~ "Laplace"(0, lambda)$ dla znanego $lambda$,
$
"Laplace"(x; mu, lambda) = 1 / (2b) exp[- |x - mu| / b] quad,
$
- regresja kwantylowa (ang. _quantile regression_),
$epsilon ~ "ALD"(0, lambda, p)$ dla znanego $lambda$ i percentyla $p$,
$
"ALD"(x; mu, lambda, p) = (p(1 - p)) / lambda dot cases(
e^(- ((p - 1)(x - mu)) / lambda) & quad x <= mu \,,
e^(- (p(x - mu)) / lambda) & quad x > mu \,.
)
$
Zauważmy tutaj, że założenie iż znamy skalę (tj. parametry $sigma$, $lambda$)
błędu jest dosyć mocne --- z reguły nie wiemy jak dokładnie możemy przybliżyć
zmienną objaśnianą. Dokładne wnioskowanie Bayesowskie przeprowadzimy tylko dla
pierwszego z powyższych modeli, gdzie błędy mają rozkład normalny. To
założenie, choć sensowne, ma również swoje konsekwencje --- nasz model będzie
dosyć wrażliwy na obserwacje odstające (ang. _outliers_). Zamiast rozkładu
normalnego można przyjąć rozkład, w którym gęstość prawdopodobieństwa ma tzw.
ciężkie ogony (ang. _heavy tails_) --- np. rozkład Laplace'a. Otrzymamy wówczas
model zwany odporną regresją liniową (ang. _robust linear regression_). Oba
powyższe modele równo rozkładają masę prawdopodobieństwa błędów. Jeśli interesuje
nas natomiast estymacja kwantyli warunkowych (tj. prostej która najlepiej dzieli
obserwacje tak aby odpowiedni ułamek z nich znalazł się pod nią), to możemy
wykorzystać asymetryczny rozkład Laplace'a. Otrzymany model nazywamy wówczas
kwantylową regresją liniową (ang. _quantile linear regression_).
Przyjmijmy obecnie, że dysponujemy zbiorem obserwacji
$cal(X) = {(y_i, bold(x)_i)}_(i=1)^n$. Zakładamy, że obserwacje te są i.i.d. ---
niezależne i pochodzące z tego samego rozkładu
$y_i ~ cal(N)(phi(bold(x)_i; bold(w)), sigma^2)$. Jawne wnioskowanie Bayesowskie
możliwe jest również dla regresji liniowej. Bardzo często jednak stosuje się
prostsze podejście adekwatne również do pozostałych dwóch modeli. Otóż
poszukujemy jedynie estymaty punktowe parametrów $bold(w)$, ignorując
niepewność ich oszacowania. Taką estymację punktową można wyznaczyć _metodą
największej wiarygodności_ (ang. _maximum likelihood estimation_ (MLE)),
$
bold(w)_"MLE" = arg max_bold(w) p(cal(X) | bold(w)) quad.
$
Korzystamy wówczas jedynie z wiarygodności $p(cal(X) | bold(w))$. Z założenia,
iż obserwacje są i.i.d., możemy łatwo wyznaczyć wiarygodność
$
p(cal(X) | bold(w)) & = product_(i=1)^n
cal(N)(y_i; phi(bold(x)_i; bold(w)), sigma^2) \
& prop product_(i=1)^n
exp(- (y_i - phi(bold(x)_i; bold(w)))^2 / (2sigma^2))
quad,
$
gdzie pominęliśmy współczynnik, gdyż nie ma on wpływu na zagadnienie
optymalizacji. W praktyce często łatwiej jest minimalizować sumę pewnych wyrażeń,
niż ich iloczyn, dlatego wprowadzamy _zanegowaną logarytmiczną funkcję
wiarygodności_ (ang. _negated log-likelihood function_ (NLL)),
$
L(cal(X), bold(w)) = - log p(cal(X) | bold(w)) quad,
$
gdzie korzystamy oczywiście z faktu, iż logarytm (naturalny) jest funkcją ściśle
rosnącą. Estymatę MLE możemy wówczas znaleźć jako
$
bold(w)_"MLE" = arg min_bold(w) L(cal(X), bold(w)) quad.
$
W przypadku regresji liniowej otrzymujemy
$
bold(w)_"MLE" = arg min_bold(w) 1 / 2 sum_(i=1)^n
(y_i - phi(bold(x)_i; bold(w)))^2 quad.
$
Z powyższego problemu optymalizacyjnego wynika popularna nazwa tej formy
regresji liniowej --- _metoda najmniejszych kwadratów_ (ang. _Ordinary Least
Squares_ (OLS)), ponieważ minimalizujemy sumę kwadratów rezyduów. W tym
szczególnym przypadku postać $bold(w)_"MLE"$ można znaleźć analitycznie.
Istotnie wprowadźmy
$
bold(y) = mat(y_1; dots.v; y_n) quad, quad
bold(X) = mat(bold(x)_1^top; dots.v; bold(x)_n^top) quad, quad
bold(phi) = bold(X) bold(w) quad.
$
Wówczas mamy
$
(partial L) / (partial phi_beta) = (phi_beta - y_beta)
$
oraz dalej
$
(partial L) / (partial w_alpha) = sum_(beta=1)^n
(partial L) / (partial phi_beta) (partial phi_beta) / (partial w_alpha) =
sum_(beta=1)^n (phi_beta - y_beta) X_(beta alpha) quad.
$
Z warunków koniecznych dla minimum lokalnego mamy
$forall alpha : (partial L) / (partial w_alpha) = 0$, co możemy zapisać jako
$
bold(X)^top (bold(phi) - bold(y)) =
bold(X)^top (bold(X) bold(w)_"MLE" - bold(y)) = bold(0) quad,
$
skąd
$
bold(w)_"MLE" = (bold(X)^top bold(X))^(-1) bold(X)^top bold(y) quad.
$
Wielkość $(bold(X)^top bold(X))^(-1) bold(X)^top$ nazywa się pseudoodwrotnością
Moore'a--Penrose macierzy $bold(X)$. Warto tutaj zaznaczyć, iż w praktyce rzadko
wyznaczamy $bold(w)_"MLE"$ korzystając wprost z powyższego wzoru, ze względu na
dość słabe własności numeryczne. Typowo jeśli macierz $bold(X)$ jest niewielka,
to pseudoodwrotność obliczamy korzystając z rozkładu SVD macierzy $bold(X)$.
Natomiast dla dużych macierzy nie korzystamy ze wzoru analitycznego, tylko z
metody iteracyjnej stochastycznego spadku wzdłuż gradientu,
$
w_alpha^((t+1)) = w_alpha^((t)) - eta (partial L) / (partial w_alpha) quad,
$
która w tym przypadku zbiega do minimum globalnego $bold(w)_"MLE"$.
== Regresja Bayesowska
Pokażemy teraz, jak przeprowadzić pełne wnioskowanie Bayesowskie dla modelu
regresji liniowej. Założymy rozkład a priori nad parametrami $bold(w)$ w postaci
rozkładu normalnego
$
bold(w) ~ cal(N)(bold(mu)_0, bold(Sigma)_0) quad.
$
Wiarygodność, jak pokazaliśmy powyżej, ma natomiast postać
$
cal(X) | bold(w) ~ cal(N)(bold(X) bold(w), sigma^2 bold(I)) quad.
$
Zauważmy, że jest to instancja modelu liniowego, więc korzystając z
wyprowadzonych wzorów wiemy, iż
$
bold(w) | cal(X) ~ cal(N)(bold(mu)_n, bold(Sigma)_n) quad,
$
gdzie
$
bold(mu)_n & = bold(Sigma)_n (1 / sigma^2 bold(X)^top bold(y) +
bold(Sigma)_0^(-1) bold(mu)_0) quad, \
bold(Sigma)_n & = (bold(Sigma)_0^(-1) + 1 / sigma^2 bold(X)^top bold(X))^(-1)
quad.
$
W powyższych wzorach nazwy parametrów nie są przypadkowe. Przed zaobserwowaniem
danych mamy rozkład a priori $bold(w) ~ cal(N)(bold(mu)_0, bold(Sigma)_0)$. Po
zaobserwowaniu $n$ przykładów aktualizujemy nasze przekonania w postaci rozkładu
a posteriori $bold(w) | cal(X) ~ cal(N)(bold(mu)_n, bold(Sigma)_n)$.
Znając rozkład a posteriori nad $bold(w)$ możemy również wyznaczyć rozkład
predykcyjny nad zmienną objaśnianą $y$ dla ustalonego wektora cech $bold(x)$.
Formalnie interesuje nas rozkład $p(y | cal(X))$. Rozkład ten możemy opisać w
następujący sposób:
$
bold(w) | cal(X) & ~ cal(N)(bold(mu)_n, bold(Sigma)_n) quad, \
y | bold(w) & ~ cal(N)(bold(w)^top bold(x), sigma^2) quad,
$
gdzie interesuje nas rozkład
$
p(y | cal(X)) = integral p(y | bold(w)) p(bold(w) | cal(X)) dif bold(w) quad.
$
Można pokazać, iż rozkład ten jest rozkładem normalnym
$
y | cal(X) ~ cal(N)(mu_y, sigma_y^2)
$
o parametrach
$
mu_y = bold(mu)_n^top bold(x) quad, quad
sigma_y^2 = sigma^2 + bold(x)^top bold(Sigma)_n bold(x) quad.
$
== Regresja grzbietowa
Rozważmy Bayesowską regresję liniową, w której prior ma postać
$bold(w) ~ cal(N)(0, tau^2 bold(I))$, czyli elementy wektora parametrów są
a priori wzajemnie niezależne, a ich amplitudy są rzędu $tau$. Znajdźmy estymatę
MAP parametrów $bold(w)$. Zauważmy, że
$
- log p(bold(w) | cal(X)) prop [
1 / (2sigma^2) sum_(i=1)^n (y_i - phi(bold(x)_i; bold(w)))^2 +
1 / (2tau^2) norm(bold(w))_2^2
] quad.
$
Wyrażenie w nawiasach możemy przemnożyć przez $sigma^2$ --- nie wpłynie to na
położenie minimum, bo $sigma^2$ to dodatnia stała. Estymata MAP w tym modelu to
zatem
$
bold(w)_"MAP" = arg min_bold(w) [
1 / 2 sum_(i=1)^n (y_i - phi(bold(x)_i; bold(w)))^2 +
gamma / 2 norm(bold(w))_2^2
] quad,
$
gdzie $gamma = sigma^2 / tau^2$ to _stała regularyzująca_. Pierwszy z członów to
znana z OLS suma kwadratów rezyduów, natomiast drugi człon to _człon
regularyzujący_ rozwiązanie, który ogranicza amplitudy parametrów (wag). Jest to
tzw. model _regresji grzbietowej_ (ang. _ridge regression_). Jest to
jednocześnie oczywiście moda rozkładu a posteriori, czyli w przypadku rozkładu
normalnego --- wyznaczony wcześniej parametr $bold(mu)_n$,
$
bold(w)_"MAP" = (sigma^2 / tau^2 bold(I) + bold(X)^top bold(X))^(-1)
bold(X)^top bold(y) quad.
$
== Regresja w ujęciu częstościowym
Podstawowym pytaniem, na które sama estymacja punktowa nie daje odpowiedzi w
przypadku modelu liniowego, jest: czy dany podzbiór współczynników jest istotny
statystycznie? Oczywiście w ujęciu Bayesowskim odpowiedzi na to pytanie udziela
rozkład a posteriori nad parametrami modelu. Chcemy mieć jednak również
klasyczną, częstościową argumentację. Niech $hat(y)_i$ będzie odpowiedzią modelu
dla cech $bold(x)_i$, a $y_i$ prawdziwą odpowiedzią. Wielkość
$
"RSS" := sum_(i=1)^N (y_i - hat(y)_i)^2
$
nazywamy _rezydualną sumą kwadratów_ (ang. _residual sum of squares_). Wówczas
jeśli potrzebujemy testu sprawdzającego istotność podzbioru współczynników,
tzn. testujemy hipotezę
$
H_0 : w_(i_1) = 0, ..., w_(i_q) = 0 quad,
$
to odpowiednią statystyką testową jest
$
("RSS"_0 - "RSS") / "RSS" dot (n - p - 1) / q ~ F(q, n - p - 1) quad,
$
gdzie $"RSS"_0$ oznacza rezydualną sumę kwadratów dla modelu spełniającego
$H_0$, $F$ oznacza rozkład F Snedecora, natomiast $p$ to liczba wszystkich
parametrów modelu.
Korzystając z metod częstościowych możemy również podać przedział ufności na
poziomie $1 - alpha$ przy przewidywaniu odpowiedzi dla nieznanej wartości
$bold(x)_0$ jako
$
hat(bold(w))^top bold(x)_0 plus.minus t_(1 - alpha/2, n - p - 1)
hat(sigma)^2 sqrt(bold(x)_0^top (bold(X)^top bold(X))^(-1) bold(x)_0) quad,
$
gdzie
$
hat(sigma)^2 = "RSS" / (n - p - 1) quad,
$
natomiast $t_(1 - alpha/2, n - p - 1)$ jest kwantylem rzędu $1 - alpha / 2$
rozkładu t Studenta z parametrem $n - p - 1$.
== Predyktory jakościowe
Zmienne jakościowe, które mają być użyte jako predyktory w regresji liniowej,
wymagają reprezentacji numerycznej. Typowo stosowanym kodowaniem jest kodowanie
za pomocą tzw. _dummy variables_ w taki sposób, że zmienna jakościowa o $k$
poziomach jest kodowana jako wektor binarny o $k - 1$ składowych (aby uniknąć
tzw. _dummy variable trap_ --- naiwny one-hot-encoding powoduje redundancję w
postaci liniowej zależności składowych wektora kodującego $x_1 + ... + x_k = 1$).
Przykładowo dla zmiennej jakościowej
$sans("ShelveLoc") in {sans("Bad"), sans("Medium"), sans("Good")}$ tworzymy
wektor binarny o dwóch składowych: $sans("ShelveLocBad") in {0, 1}$,
$sans("ShelveLocGood") in {0, 1}$. Wektor $(0, 0)$ reprezentuje wówczas wartość
$sans("Medium")$ zmiennej $sans("ShelveLoc")$.
== Ocena jakości dopasowania
Najpopularniejszymi miarami dopasowania modelu są:
- RSE (ang. _residual standard error_) zdefiniowany jako
$sqrt("RSS" / (n - p - 1))$,
- Ułamek wariancji wyjaśnionej przez model
$
R^2 := 1 - "RSS" / "TSS" quad, quad "TSS" = sum_(i=1)^n (y_i - overline(y))^2 quad,
$
który powinien być jak najbliższy $1$.
Należy pamiętać, iż powyższe miary dopasowania _nie_ są dobrymi miarami przy
porównywaniu modeli o _różnej_ liczbie predyktorów (jeśli liczymy te miary na
zbiorze treningowym). Aby poradzić sobie z tym problemem mamy dwie opcje: metody
bezpośrednie, w których estymujemy błąd testowy za pomocą walidacji krzyżowej lub
metody holdout, lub metody pośrednie, w których wprowadzamy poprawki do błędu
treningowego. W szczególności miarami pośrednimi są:
- adjusted $R^2$ obliczany jako $1 - ("RSS"(n - 1)) / ("TSS"(n - p - 1))$,
- kryterium Mallowa $C_p = 1 / n ("RSS" + 2 p hat(sigma)^2)$.
= Uogólnione modele liniowe
Prosty model regresji liniowej może posłużyć nam jako wzór do tworzenia bardziej
skomplikowanych modeli statystycznych. Formalnie dowolny model statystyczny jest
uogólnionym modelem liniowym (ang. _Generalized Linear Model, GLM_), jeśli
zachodzi:
1. Parametry $bold(beta)$ modelu są związane z wektorem $bold(x)$ jedynie
poprzez tzw. _składnik systematyczny_ $bold(beta)^top bold(x)$ (jest to zatem
model liniowy).
2. Rozkład $y | bold(x), bold(beta)$ pochodzi z ustalonej wykładniczej rodziny
rozkładów $P(theta, tau)$ z parametrami $theta, tau$ o gęstości danej przez
$
p(z; theta, tau) = exp[(theta z - f(theta)) / (d(tau)) + k(z, tau)] quad,
$
dla pewnych funkcji $f, d, k$.
3. Parametr $theta$ jest związany ze składnikiem systematycznym równością
$
g(f'(theta)) = bold(beta)^top bold(x)
$
dla pewnej funkcji wiążącej $g$.
== Regresja logistyczna
Rozpatrzymy teraz problem klasyfikacji binarnej z perspektywy estymacji MLE.
Niech $cal(X) = {t_i (bold(x)_i)}_(i=1)^n$ będzie zbiorem obserwacji i.i.d.,
gdzie zakładamy, iż $t in {0, 1}$. Jako model statystyczny przyjmiemy, iż klasa
$t(bold(x))$ pochodzi z rozkładu Bernoulliego z parametrem
$pi(bold(x); bold(w))$ (prawdopodobieństwem klasy pozytywnej, gdzie $pi$ jest
tzw. funkcją wiążącą, ang. _link function_) zależnym od estymowanych parametrów
$bold(w)$,
$
t | bold(x), bold(w) ~ "Ber"(pi(bold(x); bold(w))) quad.
$
W przypadku regresji logistycznej jako funkcję $pi(bold(x); bold(w))$ przyjmiemy
$sigma(phi(bold(x); bold(w)))$, gdzie
$
sigma(z) = 1 / (1 + e^(-z))
$
to tzw. _funkcja logistyczna_ (będąca szczególnym przypadkiem funkcji
sigmoidalnej), natomiast $phi(bold(x); bold(w))$ może być dowolną funkcją
wykorzystywaną do zagadnienia regresji. W przypadku regresji logistycznej
przyjmujemy prosty model liniowy
$
phi(bold(x); bold(w)) = bold(w)^top bold(x) quad.
$
Zauważmy, iż taka postać uwzględnia człon stały poprzez podstawienie
$bold(x)^top <- mat(bold(x)^top, 1)$. Wiarygodność dla powyższego modelu
statystycznego ma postać
$
p(cal(X) | bold(w)) = product_(i=1)^n pi(bold(x)_i; bold(w))^(t_i)
(1 - pi(bold(x)_i; bold(w)))^(1 - t_i) quad,
$
skąd funkcja NLL ma postać
$
L(cal(X); bold(w)) = - sum_(i=1)^n [
t_i log pi_i + (1 - t_i) log(1 - pi_i)
] quad,
$
gdzie $pi_i = pi(bold(x)_i; bold(w))$. Taką funkcję kosztu nazywamy _binarną
entropią krzyżową_ (ang. _binary cross-entropy function_). Niestety dla takiej
postaci funkcji kosztu nie można znaleźć minimum w postaci analitycznej (jak
zrobiliśmy w przypadku regresji liniowej), dlatego musimy wykorzystywać
algorytmy optymalizacji numerycznej, które najczęściej wykorzystują pierwsze
pochodne funkcji kosztu po parametrach. Typowo wykorzystywanym do tego celu
algorytmem jest _spadek wzdłuż gradientu_ (ang. _gradient descent_), w którym
iteracyjnie wykonujemy
$
bold(w)_(t+1) = bold(w)_t - eta (partial L) / (partial bold(w)) |_(bold(w)_t)
quad.
$
Wyznaczymy więc pochodne funkcji $L$ po parametrach $bold(w)$. Wprowadźmy macierz
$X_(alpha beta) = x_beta^((alpha))$ oraz wektory
$phi_alpha = phi(bold(x)_alpha; bold(w))$, $sigma_alpha = sigma(phi_alpha)$.
Wówczas
$
L(cal(X); bold(w)) = - sum_(alpha=1)^n [
t_alpha log sigma_alpha + (1 - t_alpha) log(1 - sigma_alpha)
] quad.
$
W takim razie mamy
$
(partial L) / (partial phi_alpha) = sum_(beta=1)^n
(partial L) / (partial sigma_beta) (partial sigma_beta) / (partial phi_alpha)
quad,
$
gdzie
$
(partial L) / (partial sigma_beta) =
(1 - t_beta) / (1 - sigma_beta) - t_beta / sigma_beta
$
oraz
$
(partial sigma_beta) / (partial phi_alpha) =
sigma'(phi_beta) delta_(alpha beta) quad,
$
gdzie
$
sigma'(z) = e^(-z) / (1 + e^(-z))^2 = sigma(z)(1 - sigma(z)) quad,
$
zatem
$
(partial L) / (partial phi_alpha) = (
(1 - t_alpha) / (1 - sigma_alpha) - t_alpha / sigma_alpha
) sigma_alpha (1 - sigma_alpha) = sigma_alpha - t_alpha quad.
$
W takim razie, z powyższego mamy
$
(partial L) / (partial w_alpha) = sum_(beta=1)^n
(partial L) / (partial phi_beta) (partial phi_beta) / (partial w_alpha) =
sum_(beta=1)^n (sigma_beta - t_beta) X_(beta alpha) quad,
$
co możemy zapisać w zwartej postaci macierzowej
$
(partial L) / (partial bold(w)) = bold(X)^top (bold(sigma) - bold(t)) quad.
$
== Wieloklasowa regresja logistyczna
Regresję logistyczną możemy w prosty sposób uogólnić na przypadek klasyfikacji
jednej z $k$ klas. Zakładamy teraz, iż zbiór obserwacji i.i.d. ma postać
$cal(X) = {t_i (bold(x)_i)}_(i=1)^n$ dla $t in {1, ..., k}$. Nasz model
statystyczny uogólnimy do postaci rozkładu kategorialnego (ang. _categorical
distribution_ lub _multinomial distribution_) z parametrem
$bold(pi)(bold(x); bold(W))$ (wektorem prawdopodobieństw każdej klasy) zależnym
od estymowanych parametrów $bold(W)$,
$
t | bold(x), bold(W) ~ "Cat"(bold(pi)(bold(x); bold(W))) quad.
$
W przypadku regresji softmax jako funkcję $bold(pi): RR^m -> [0, 1]^k$
przyjmiemy funkcję $bold(sigma)(bold(phi)(bold(x); bold(W)))$, gdzie
$bold(sigma): RR^k -> [0, 1]^k$,
$
sigma_alpha (bold(z)) = exp(z_alpha) / (sum_(beta=1)^k exp(z_beta))
$
to tzw. _funkcja softmax_, natomiast $bold(phi): RR^m -> RR^k$ to dowolna
funkcja. W przypadku regresji softmax przyjmiemy prosty model liniowy
$
bold(phi)(bold(x); bold(W)) = bold(W) bold(x) quad.
$
Wiarygodność dla powyższego modelu ma postać
$
product_(alpha=1)^n product_(beta=1)^k pi_(alpha beta)^(t_(alpha beta)) quad,
$
skąd funkcja NLL ma postać
$
L(cal(X); bold(W)) = - sum_(alpha=1)^n sum_(beta=1)^k
t_(alpha beta) log pi_(alpha beta) quad,
$
gdzie
$
pi_(alpha beta) & = sigma_beta (bold(phi)(bold(x)_alpha; bold(W))) =
(exp phi_(alpha beta)) / (sum_(gamma=1)^k exp phi_(alpha gamma)) quad, \
phi_(alpha beta) & = phi_beta (bold(x)_alpha; bold(W)) quad, \
t_(alpha beta) & = [t_alpha = beta] quad.
$
Wiersze macierzy $bold(t)$ są binarnymi wektorami kodującymi w sposób one-hot
klasę danego przykładu. Niestety dla takiej postaci funkcji kosztu nie można
znaleźć minimum w postaci analitycznej, dlatego musimy wykorzystywać algorytmy
optymalizacji numerycznej. Wyznaczymy więc jeszcze pierwsze pochodne funkcji $L$
po parametrach $bold(W)$,
$
(partial L) / (partial pi_(beta beta')) = - t_(beta beta') / pi_(beta beta')
quad.
$
Jednocześnie mamy
$
(partial L) / (partial phi_(alpha alpha')) =
sum_(beta=1)^n sum_(beta'=1)^k
(partial L) / (partial pi_(beta beta'))
(partial pi_(beta beta')) / (partial phi_(alpha alpha')) quad,
$
gdzie
$
(partial pi_(beta beta')) / (partial phi_(alpha alpha'))
& = (exp phi_(beta beta') delta_(alpha beta) delta_(alpha' beta')) /
(sum_(gamma=1)^k exp phi_(beta gamma)) -
(exp phi_(beta beta') exp phi_(beta alpha') delta_(alpha beta)) /
(sum_(gamma=1)^k exp phi_(beta gamma))^2 \
& = pi_(beta beta') delta_(alpha beta) delta_(alpha' beta') -
pi_(beta beta') pi_(beta alpha') delta_(alpha beta) quad.
$
Z powyższego mamy zatem
$
(partial L) / (partial phi_(alpha alpha')) =
pi_(alpha alpha') sum_(beta'=1)^k t_(alpha beta') - t_(alpha alpha') =
pi_(alpha alpha') - t_(alpha alpha') quad.
$
Ostatecznie zatem
$
(partial L) / (partial W_(beta beta')) =
sum_(alpha=1)^n sum_(alpha'=1)^k
(partial L) / (partial phi_(alpha alpha'))
(partial phi_(alpha alpha')) / (partial W_(beta beta')) quad,
$
gdzie
$
(partial phi_(alpha alpha')) / (partial W_(beta beta')) =
X_(alpha beta') delta_(alpha' beta) quad,
$
zatem
$
(partial L) / (partial W_(beta beta')) =
sum_(alpha=1)^n (pi_(alpha beta) - t_(alpha beta)) X_(alpha beta') quad,
$
co możemy zapisać w zwartej postaci macierzowej
$
(partial L) / (partial bold(W)) = (bold(pi) - bold(t))^top bold(X) quad.
$
== Regresja probitowa
Regresja probitowa to model analogiczny do regresji logistycznej, w którym jako
funkcję wiążącą przyjmujemy
$
pi(bold(x); bold(w)) = Phi(bold(w)^top bold(x)) quad,
$
gdzie $Phi$ jest dystrybuantą standardowego, jednowymiarowego rozkładu
normalnego. Taki model możemy traktować jako model ze _zmienną ukrytą_ (ang.
_latent variable_)
$
h | bold(x), bold(w) ~ cal(N)(bold(w)^top bold(x), 1) quad,
$
która wyznacza obserwowalną zmienną odpowiedzi jako
$
t = cases(
1 & quad "jeśli" h > 0 \,,
0 & quad "w.p.p."
)
$
== Regresja Poissonowska
Regresja Poissonowska to podstawowy model dla danych zliczeniowych, w których
zmienna objaśniana $t$ przyjmuje dowolne wartości naturalne $t in NN$. Jest to
zasadniczo model postaci
$
t | bold(x), bold(w) ~ "Pois"(e^(bold(w)^top bold(x))) quad.
$
Zanegowana logarytmiczna funkcja wiarygodności ma dla tego modelu postać
$
L(cal(X); bold(w)) = - sum_(i=1)^n (
t_i bold(w)^top bold(x)_i - e^(bold(w)^top bold(x)_i)
) quad,
$
pamiętając, iż funkcja masy prawdopodobieństwa dla rozkładu Poissona to
$
P(Y = k; lambda) = lambda^k / (k!) e^(-lambda) quad.
$
== Regresja porządkowa
Regresja porządkowa to podstawowy model w przypadku, w którym zmienna
objaśniana $t$ przyjmuje wartości z _liniowo uporządkowanego zbioru_, o którym
bez straty ogólności założymy, iż ma postać ${1, 2, ..., k}$. Regresja
porządkowa może być rozumiana jako model klasyfikacyjny, ale ze względu na
nacisk na zachowanie porządku etykiet przypomina też regresję całkowitoliczbową
(Poissona). Jest to zasadniczo model postaci
$
t | bold(x), bold(w), theta_1, ..., theta_(k-1) ~
"Cat"(pi_1 (bold(x); bold(w), bold(theta)), ...,
pi_k (bold(x); bold(w), bold(theta))) quad,
$
gdzie
$
pi_alpha (bold(x); bold(w), bold(theta)) :=
Phi(theta_alpha - bold(w)^top bold(x)) -
Phi(theta_(alpha-1) - bold(w)^top bold(x))
$
dla $theta_0 = -infinity < theta_1 < dots.c < theta_(k-1) < theta_k = +infinity$
i $Phi$ będącego dystrybuantą standardowego, jednowymiarowego rozkładu
normalnego. Zauważmy, że przy takim wyborze funkcji $pi_alpha$ zachodzi wymagany
warunek
$
sum_(alpha=1)^k pi_alpha (bold(x); bold(w), bold(theta))
& = Phi(theta_k - bold(w)^top bold(x)) -
Phi(theta_0 - bold(w)^top bold(x)) \
& = Phi(+infinity) - Phi(-infinity) = 1 quad.
$
Parametry modelu $bold(w)$ i $bold(theta)$ są estymowane metodą największej
wiarygodności. Zauważmy, że możemy ten model interpretować jako model ze
_zmienną ukrytą_ (ang. _latent variable_)
$
h | bold(x), bold(w) ~ cal(N)(bold(w)^top bold(x), 1) quad,
$
która wyznacza obserwowaną odpowiedź modelu $t$ zgodnie z
$
t = cases(
1 & quad "jeśli" theta_0 < h <= theta_1 \,,
2 & quad "jeśli" theta_1 < h <= theta_2 \,,
dots.v \,,
k & quad "jeśli" theta_(k-1) < h <= theta_k \,.
)
$
= Wprowadzenie do procesów Gaussowskich
Macierz kowariancji $n$-wymiarowej zmiennej losowej $bold(x)$ o wartości
oczekiwanej $bold(mu)$ jest zdefiniowana jako
$
bold(Sigma) = EE[(bold(x) - bold(mu))(bold(x) - bold(mu))^top] quad.
$
Wiemy również, iż macierz ta jest nieujemnie określona. Pokażemy teraz, iż dla
każdej nieujemnie określonej macierzy symetrycznej $bold(K)$ wymiaru
$n times n$ istnieje $n$-wymiarowa zmienna losowa o wielowymiarowym rozkładzie
normalnym, dla której $bold(K)$ jest macierzą kowariancji. Istotnie dla każdej
nieujemnie określonej macierzy symetrycznej istnieje macierz $bold(L)$ taka, że
$
bold(K) = bold(L) bold(L)^top quad,
$
jest to tzw. _dekompozycja Choleskiego_. Niech
$bold(z) ~ cal(N)(bold(0), bold(1))$, wówczas zmienna losowa $bold(L) bold(z)$
ma rozkład o zerowej wartości oczekiwanej i macierzy kowariancji
$
EE[(bold(L) bold(z))(bold(L) bold(z))^top] =
bold(L) EE[bold(z) bold(z)^top] bold(L)^top =
bold(L) bold(1) bold(L)^top = bold(K) quad.
$
Powyższe własności wskazują, iż macierze kowariancji można w pewnym sensie
utożsamiać z nieujemnie określonymi macierzami symetrycznymi.
Funkcję $k: RR^n times RR^n -> RR$ taką, że
$forall m in NN : forall X = {bold(x)_1, ..., bold(x)_m} subset RR^n$ macierz
$
k(X, X) = mat(
k(bold(x)_1, bold(x)_1), k(bold(x)_1, bold(x)_2), dots.c, k(bold(x)_1, bold(x)_m);
k(bold(x)_2, bold(x)_1), k(bold(x)_2, bold(x)_2), dots.c, k(bold(x)_2, bold(x)_m);
dots.v, dots.v, dots.down, dots.v;
k(bold(x)_m, bold(x)_1), k(bold(x)_m, bold(x)_2), dots.c, k(bold(x)_m, bold(x)_m)
)
$
jest dodatnio określoną macierzą symetryczną nazywamy funkcją kowariancji,
jądrem dodatnio określonym (ang. _positive definite kernel_) lub _jądrem
Mercera_.
Dla dwóch zbiorów punktów $X = {bold(x)_1, ..., bold(x)_m} subset RR^n$ i
$Y = {bold(y)_1, ..., bold(y)_s} subset RR^n$ i funkcji kowariancji $k$
wprowadzimy oznaczenie
$
k(X, Y) := mat(
k(bold(x)_1, bold(y)_1), k(bold(x)_1, bold(y)_2), dots.c, k(bold(x)_1, bold(y)_s);
k(bold(x)_2, bold(y)_1), k(bold(x)_2, bold(y)_2), dots.c, k(bold(x)_2, bold(y)_s);
dots.v, dots.v, dots.down, dots.v;
k(bold(x)_m, bold(y)_1), k(bold(x)_m, bold(y)_2), dots.c, k(bold(x)_m, bold(y)_s)
) quad.
$
Poniżej podajemy kilka przykładów funkcji kowariancji:
- _Gaussian kernel_ dla normy $norm(dot)$ i hiperparametrów $a, l$ (amplituda i
skala długości),
$
k(bold(x), bold(y)) = a^2 exp{- 1 / (2 l^2) norm(bold(x) - bold(y))^2} quad,
$
- _Periodic kernel_ dla normy $norm(dot)$ i hiperparametrów $a, l, p$
(amplituda, skala długości, okres zmienności),
$
k(bold(x), bold(y)) = a^2 exp{- 2 / l^2 sin^2(pi / p norm(bold(x) - bold(y)))}
quad,
$
- _White noise kernel_ dla hiperparametru $sigma$,
$
k(bold(x), bold(y)) = sigma^2 delta_(bold(x), bold(y)) quad,
$
- _Matérn kernel_ dla normy $norm(dot)$ i hiperparametrów $a, l, nu$ (amplituda,
skala długości, regularność),
$
k(bold(x), bold(y)) = a^2 (2^(1 - nu)) / Gamma(nu)
(sqrt(2 nu) / l norm(bold(x) - bold(y)))^nu
K_nu (sqrt(2 nu) / l norm(bold(x) - bold(y))) quad,
$
gdzie $Gamma(x)$ to funkcja gamma Eulera, a $K_nu (x)$ to zmodyfikowana
funkcja Bessela 2-go rodzaju rzędu $nu$.
Suma lub iloczyn dwóch funkcji kowariancji oraz złożenie funkcji kowariancji z
wielomianem o nieujemnych współczynnikach jest również funkcją kowariancji.
Procesem Gaussowskim (ang. _Gaussian Process_) nazywamy rodzinę skalarnych
zmiennych losowych indeksowanych przez punkty $bold(x) in RR^n$,
$
cal(G P) = {f_bold(x) | bold(x) in RR^n} quad,
$
taką, że każdy skończony podzbiór $cal(G P)$ ma łącznie wielowymiarowy rozkład
normalny, tj. dla dowolnego zbioru
$X = {bold(x)_1, ..., bold(x)_m} subset RR^n$ zachodzi
$
mat(f_(bold(x)_1); dots.v; f_(bold(x)_m)) ~
cal(N)(bold(mu)_X, bold(Sigma)_X) quad.
$
Zauważmy, iż proces Gaussowski możemy jednoznacznie zdefiniować podając przepisy
na parametry $bold(mu)_X$ i $bold(Sigma)_X$ dla dowolnego zbioru $X$. W praktyce
często przyjmujemy $bold(mu)_X = bold(0)$, natomiast przepisem na macierz
kowariancji może być zdefiniowana wyżej funkcja kowariancji $k(X, X)$, tj.
$
mat(f_(bold(x)_1); dots.v; f_(bold(x)_m)) ~
cal(N)(bold(0), k(X, X)) quad.
$
Proces Gaussowski daje nam w praktyce rozkład prawdopodobieństwa nad funkcjami
$f: RR^n -> RR$, których charakter jest określony przez jądro $k$ (np. funkcja
gładka dla jądra Gaussowskiego, okresowa dla jądra periodycznego itp.). Zauważmy,
że nie wnioskujemy tu o parametrach konkretnej rodziny funkcji (jak w przypadku
regresji liniowej); interesuje nas jedynie rozkład predykcyjny. Załóżmy, iż w
dokładnie znanych przez nas punktach $X = {bold(x)_1, bold(x)_2, ..., bold(x)_m}$
zaobserwowaliśmy wartości pewnej funkcji, o których zakładamy, iż pochodzą z
procesu Gaussowskiego zadanego jądrem $k$, które wyraża nasze założenia a priori
co do charakteru badanej funkcji,
$
bold(f)_X = mat(f_(bold(x)_1); dots.v; f_(bold(x)_m)) ~
cal(N)(bold(0), k(X, X)) quad.
$
Powiedzmy, iż chcemy znać wartości $bold(f)_Y$ tej funkcji w zadanych punktach
$Y = {bold(y)_1, bold(y)_2, ..., bold(y)_s}$. Ponieważ założyliśmy, iż wartości
funkcji pochodzą z procesu Gaussowskiego, więc rozkład łączny $bold(f)_X$ i
$bold(f)_Y$ jest rozkładem normalnym
$
mat(bold(f)_X; bold(f)_Y) ~ cal(N)(
bold(0),
mat(k(X, X), k(X, Y); k(Y, X), k(Y, Y))
) quad.
$
Zauważmy, iż z twierdzenia o własnościach niezdegenerowanego rozkładu normalnego
wnioskujemy, iż rozkład warunkowy $bold(f)_Y | bold(f)_X$ jest również
rozkładem normalnym o parametrach
$
bold(mu) & = k(Y, X) k^(-1)(X, X) bold(f)_X quad, \
bold(Sigma) & = k(Y, Y) - k(Y, X) k^(-1)(X, X) k(X, Y) quad.
$
Dodatkową niepewność związaną z pomiarem wartości $bold(f)_X$ możemy uchwycić
zmieniając postać jądra
$
k(bold(x), bold(y)) <- k(bold(x), bold(y)) +
cal(I)_X (bold(x)) sigma^2 delta_(bold(x), bold(y)) quad,
$
gdzie $sigma$ jest hiperparametrem określającym precyzję pomiaru. Oczywiście $k$
jest dalej funkcją kowariancji, gdyż takie podstawienie powoduje jedynie dodanie
dodatnich członów do pewnych elementów diagonalnych macierzy kowariancji, więc
macierz ta jest nadal symetryczna i dodatnio określona. Wówczas rozkład
predykcyjny ma parametry
$
bold(mu) & = k(Y, X) [k(X, X) + sigma^2 bold(1)]^(-1) bold(f)_X quad, \
bold(Sigma) & = k(Y, Y) - k(Y, X) [k(X, X) + sigma^2 bold(1)]^(-1) k(X, Y)
quad.
$
= Liczby losowe w komputerze
Opiszemy teraz pokrótce metody generowania liczb pseudolosowych z dowolnych
rozkładów prawdopodobieństwa w sposób algorytmiczny. Podstawowym narzędziem,
którego będziemy potrzebować do generowania próbek z bardziej skomplikowanych
rozkładów będzie prosty generator liczb z rozkładu jednostajnego $cal(U)(0, 1)$.
Moglibyśmy oczywiście wykorzystać jakieś fizyczne urządzenie lub proces, który
generuje liczby prawdziwie losowe (np. detektor Geigera--Müllera, szum lamp
elektronowych, ruletka), ale błędem byłaby rezygnacja z odtwarzalności.
Poszukujemy zatem deterministycznej metody, która generuje sekwencje liczb,
które są w przybliżeniu losowe. Podstawową metodą do algorytmicznego generowania
liczb pseudolosowych jest tzw. _liniowy generator kongruentny_ (ang. _Linear
Congruential Generator, LCG_), który jest opisany zależnością rekurencyjną
$
I_(j+1) = (a I_j + c) mod m quad,
$
gdzie $a, c, m$ to pewne ustalone dodatnie liczby całkowite, a $I_0$ to tzw.
ziarno (ang. _seed_). LCG generuje liczby całkowite, więc w dużym uproszczeniu
liczby zmiennoprzecinkowe z rozkładu $cal(U)(0, 1)$ otrzymujemy jako $I_j / m$
(trzeba tutaj jednak uwzględnić problemy wynikające z arytmetyki
zmiennoprzecinkowej).
== Metoda odwrotnej dystrybuanty
Mając już generator liczb z rozkładu jednostajnego $cal(U)(0, 1)$ i znając
jawny wzór na dystrybuantę $F(x)$ innego rozkładu jednowymiarowego możemy
generować liczby z tego rozkładu korzystając z tzw. _metody odwrotnej
dystrybuanty_. Istotnie, jeśli $U ~ cal(U)(0, 1)$, to $F^(-1)(U) ~ F$. Istotnie
$
Pr(F^(-1)(U) <= x) = Pr(U <= F(x)) = F(x) quad.
$
Metoda ta ma jedną zasadniczą wadę --- musimy znać jawny wzór na dystrybuantę
$F$. W przypadku np. tak ważnych rozkładów, jak rozkład normalny, dystrybuanta
nie jest funkcją elementarną i metoda ta nie jest najlepsza.
== Metoda Boxa--Mullera
W przypadku rozkładu normalnego znacznie lepszą metodą jest tzw. _metoda
Boxa--Mullera_. Weźmy rozkład łączny dwóch niezależnych zmiennych losowych
$X, Y$ pochodzących ze standardowego rozkładu normalnego,
$
p(x, y) = 1 / (2pi) exp(- 1 / 2 (x^2 + y^2)) quad.
$
Skorzystamy ze wzoru na transformację zmiennych losowych. Istotnie niech
$
X = sqrt(Z) cos Phi quad, quad Y = sqrt(Z) sin Phi quad,
$
dla $0 < Z$ oraz $0 <= Phi < 2pi$, wówczas
$
q(z, phi) = 1 / (4pi) exp(- z / 2) quad.
$
Zauważmy, że otrzymaliśmy sferycznie symetryczny rozkład wykładniczy. Możemy
zatem wylosować kąt $phi$ z rozkładu jednostajnego oraz wartość $z$ z rozkładu
wykładniczego korzystając z metody odwrotnej dystrybuanty. Wówczas wartości
$x = sqrt(z) cos phi$, $y = sqrt(z) sin phi$ będą pochodzić ze standardowego
rozkładu normalnego. Aby wygenerować próbki z ogólnego wielowymiarowego rozkładu
normalnego, korzystamy z definicji, tj. najpierw generujemy $n$ próbek ze
standardowego rozkładu normalnego, a następnie korzystamy z przekształcenia
afinicznego $bold(x) = bold(A) bold(z) + bold(mu)$, gdzie
$bold(Sigma) = bold(A) bold(A)^top$.
== Monte Carlo