Professional Documents
Culture Documents
SU 7 Regresija PDF
SU 7 Regresija PDF
7. Regresija
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
1 / 34
Danas. . .
1 Uvod
4 Odabir modela
5 Regularizirana regresija
2 / 34
Danas. . .
1 Uvod
4 Odabir modela
5 Regularizirana regresija
3 / 34
Regresija
D tpxpiq, ypiqqu, x P Rn , y PR
Hipoteza h aproksimira nepoznatu funkciju f : Rn ÑR
x – ulazna varijabla (nezavisna, prediktorska)
y – izlazna varijabla (zavisna, kriterijska)
Funkcija pogreške:
Ņ
2
E ph|Dq y piq hpxpiq q
1
2 i1
4 / 34
Regresija
Linearna regresija:
hpx|wq w0 w1 x1 w2 x2 wn x n
Polinomijalna regresija:
hpx|wq w0 w1 x w2 x2 wd xd pn 1q
hpx|wq w0 w1 x1 w2 x2 w3 x1 x2 w4 x21 w5 x22 pn 2, d 2q
Općenite bazne funkcije:
hpx|wq w0 w1 φ1 pxq wm φ m px q
5 / 34
Regresija
6 / 34
Danas. . .
1 Uvod
4 Odabir modela
5 Regularizirana regresija
7 / 34
Probabilistički model regresije
hpx|wq w0 w1 x w pw0 , w1 q
Zbog šuma u D:
y piq f pxpiqq ε
Prepostavka:
ε N p0, σ 2 q
Posjedično:
y |x N phpx|wq, σ 2 q
odnosno
ppy |xq N phpx|wq, σ 2 q
E ry |xs µ hpx|wq
8 / 34
Probabilistički model regresije
9 / 34
Log-izglednost
¹
N ¹
N
ln Lpw|Dq ln ppD|wq ln ppxpiq , y piq q ln ppy piq |xpiq qppxpiq q
i 1
i 1
¹
N ¹
N
ln ppy piq |xpiq q ln ppxpiq q
i 1
i 1
¹N ¹
N
ñ ln ppy piq |xpiq q ln N hpxpiq |wq, σ 2
i 1
i 1
2
¹
N ! y iq hpxpiq |wq )
p
ln ?1 exp 2σ 2
i 1
2πσ
? Ņ
2
N lnp 2πσ q y piq hpxpiq |wq
1
2σ 2
i 1
Ņ
2
ñ 21 y piq hpxpiq |wq
i 1
10 / 34
MLE i postupak najmanjih kvadrata
11 / 34
Postupak najmanjih kvadrata
hpx|w0 , w1 q w0 w1 x
∇w0 ,w1 E ph|Dq 0
..
.
Ņ Ņ
y piq N w0 w1 x p iq (1.3) u skripti
i 1
i 1
Ņ Ņ Ņ
y piq xpiq w0 x p iq w1 pxpiqq2 (1.5) u skripti
i 1 i 1
i 1
Matrični oblik: Aw z
° p iq
° piq
A w z
N x w0 y
° p iq ° i piq 2 ° ipiq piq
ix i px q w1 iy x
Rješenje: w A1 z
12 / 34
Danas. . .
1 Uvod
4 Odabir modela
5 Regularizirana regresija
13 / 34
Bazne funkcije
14 / 34
Poopćeni linearan model
m̧
hpx|wq wj φ j p x q w T φ px q
j 0
Linearna regresija:
φpxq p1, x1 , x2 , . . . , xn q
Univarijatna polinomijalna regresija:
φpxq p1, x, x2 , . . . , xm q
Polinomijalna regresija drugog stupnja:
φpxq p1, x1 , x2 , x1 x2 , x21 , x22 q
Gaussove bazne funkcije:
px 2σµ2 j q
! 2)
φj pxq exp
15 / 34
Gaussove bazne funkcije
16 / 34
Preslikavanje značajki
17 / 34
Matrično rješenje najmanjih kvadrata
Dizajn-matrica:
1 φ1 pxp1q q ... φm pxp1q q φpxp1q qT
1 φ1 pxp2q q ... φm pxp2q q φpxp2q qT
Φ .
..
..
.
1 φ 1 px p N q q . . . φm pxpN q q φpxpN q qT N m
Vektor izlaznih vrijednosti:
y p1q
y p2q
y .
..
y pN q
Matrična jednadžba (N jednadžbi s m nepoznanica):
Φw y
18 / 34
Matrično rješenje najmanjih kvadrata
Rješenje je w Φ1 y
19 / 34
Matrično rješenje najmanjih kvadrata
Funkcija pogreške:
Ņ
2
E pw|Dq wT φpxpiq q y piq
1
2 i1
Matrični oblik:
20 / 34
Matrično rješenje najmanjih kvadrata
x Ax xT pA AT q Ax A
d T d
dx dx
ΦT Φw ΦT y
Rješenje:
w pΦT Φq1 ΦT y Φ y
1 Uvod
4 Odabir modela
5 Regularizirana regresija
22 / 34
Odabir modela
Sprečavanje prenaučenosti:
(1) koristiti više primjera za učenje
(2) odabrati model unakrsnom provjerom
(3) regularizacija
(4) bayesovska regresija
23 / 34
Danas. . .
1 Uvod
4 Odabir modela
5 Regularizirana regresija
24 / 34
Regularizacija – motivacija
26 / 34
Regularizacija – primjer
27 / 34
Regularizirani linearni model regresije
L0-regularizacija (q 0)
Ņ m̧
2
E pw|Dq wT φpxpiq q y piq 1 twj 0u
1 λ
2 i1 2 j 1
28 / 34
L2-regularizacija
∇w E 1 ΦTΦw ΦTy λw
pΦTΦ λIqw ΦTy 0
w pΦT Φ λIq1 ΦT y
29 / 34
L2-regularizacija
ppw|Dq9 ppD|wqppwq
Izglednost je normalna sa srednjom vrijednošću hpx|wq:
¹
N
ppD|wq N hpxpiq |wq, β 1 pβ 1{σ2q
i 1
Ņ
2
ln ppD|wq β2 y piq hpx|wq konst. ln ppwq α2 wTw
i 1
31 / 34
Regularizacija – napomene
32 / 34
Regularizacija – napomene
33 / 34
Sažetak