Professional Documents
Culture Documents
4・1パラメトリックな学習とノ
ンパラメトリックな学習
200
3年5月2日
結
城 隆
4・1パラメトリックな学習
とノンパラメトリックな学習
・確率密度関数
・認識対象としているパターンの生
起確率 を示したもの
(
p x |ω
i ) (
i = 1,.....c )
ωi
・クラス に属する の生起確 x
率を表す
事前確率と事後確率
x
クラスによらない の生起確率 p (x)
事前確率 p ( ωi )
ωi
クラス の生起確率
事後確率 p ( ωi | x )
x
が生起したとき、そのクラスが ωi
である確率
ベイズ決定則
ベイズの定理
p ( x | ωi )
P ( ωi | x ) = P ( ωi ) ( i = 1,.....c )
p( x )
( ωi | x )
は、未知パターン が入力された
P x
ωi
とき、クラスが である確かさしらをしめし
ている
x p ( x | ωi )
パターン を識別する際に事後確率
ωi
が最大となる を識別結果
として出力する
ベイズ決定則
・ベイズの決定則
max{ P( ωi | x )} = P( ωk | x ) x ∈ ωk
( ωi | x )
P ωk
を最大とするクラスが ならば、 x ωk
は と識別される
・ベイズ決定則における識別関数
P( は各クラスに共通の因子であるので、最大となる
x) P ( ωi | x )
を決めるのに関与しない
gi
識別関数 ( x) g i ( x ) = p ( x | ωi ) P ( ωi ) ( i = 1,....c )
または右辺の対数をとって
( 2π ) d /2
Σi
1/ 2
2
i = 1,..., c ( )
ここで 、 はそれぞれクラス の平均ベクトル
mi ∑i
、共分散であり
ωi
1
mi = ∑ x
ni x∈X i
1
Σ i = ∑ ( x − mi )( x − mi )
t
ni x∈X i
はクラス のパターン数、 はクラス のパ
niターン集合
ωi Xi ωi
正規分布の例
1
g i ( x ) = − ( x − mi ) ∑i ( x − mi )
l −1
2
1 d
− log Σ i − log 2π + log P( ωi )
2 2
1 t −1 1 t −1
= − x ∑i x + x ∑i mi − mi ∑i mi
t −1
2 2
1 d
− log Σ i − log 2π + log P( ωi )
2 2
P ( x | ωi )
確率密度関数 が正規分布で表される
x
場合、識別関数は の2次関数となる
線形識別関数
共分散行列が全クラスで等しい場合
1 t −1
gi ( x ) = x ∑ mi − mi ∑0 mi + log P( ωi )
t −1
0
2
x の2次の係数は定数となるので、識別関数は線形とな
り線形識別関数である。
最小距離識別法
特徴間の相関がなく分散が等しい
(共分散行列が単位行列)
事前確率 が各クラスで等しく
P ( ωi )
P ( ωi ) =
1
c
( i = 1,..., c )
1
g i ( x ) = m x − mi
t 2
最小距離識別法 i
2
パラメトリックとノンパラメ
トリック
パラメトリック
学習パターンを用いて確率密度関数の
パラメータ推定を行い識別部を構成す
るような方法
ノンパラメトリック
確率密度関数の形を想定せずに、学習
パターンから直接識別関数を求めてい
る方法