Professional Documents
Culture Documents
Primijenjeno strojno
učenje
Nadzirano učenje. Regresija.
ak. god. 2022./2023.
Više detalja
Regresijski problem
• pretpostavimo da su na raspolaganju mjerenja kvantitativne
veličine y i ulaznih veličina X=[x1,x2,...,xn]T odgovarajućeg
problema
• izgradnja modela algoritmom strojnog učenja se zapravo svodi na
pronalaženje nepoznate funkcionalne ovisnosti između ulaznih i
izlazne veličine pri čemu se ona možeti zapisati obliku:
Vektor parametara:
Procjena modela
Jednostavna linearna
regresija. Kriterijska funkcija.
U iteracijama
Metoda gradijentnog spusta
• algoritam
optimizacije kreće
od neke početne
vrijednosti
nepoznatog
parametra te se
kreće u smjeru
negativnog
gradijenta
funkcije J(Θ1)
Metoda gradijentnog spusta
• U slučaju linearnog
regresijskog modela s
dva parametra
• Kriterijska funkcija je
prikazana u obliku
kontura
Metoda gradijentnog spusta -
općenito
• Iterativni postupak za traženje lokalnog minimuma derivabilne
funkcije (naša kriterijska funkcija J je derivabilna)
3. Ako nije zadovoljen kriterij zaustavljanja idi na 2.; u suprotnom zaustavi optimiranje
Duljina koraka
• Duljina koraka α,
često se naziva i
stopa učenja
(engl. learning
rate) utječe na
proces
optimizacije
Pitanje
• Na slici je prikazan tijek optimizacije jednodimenzionalne kriterijske
funkcije. Što je od navedenog točno?
Višedimenzionalna
linearna regresija
Višedimenzionalna linearna
regresija
• gotovo uvijek je na raspolaganju veći broj ulaznih veličina
• u tom slučaju model je oblika (engl. multiple linear regression):
Izvor
Usporedba metoda
gradijentnog spusta
Izvor
Rješenje normalnih jednadžbi
• analitičko rješenje za optimalne vrijednosti
parametara modela Θ moguće je dobiti
izjednačavanjem gradijenta kriterijske funkcije s 0
• rješenje je oblika:
• K=1
Polinomska regresija
• K=2
Polinomska regresija
• K=3
Polinomska regresija
• K=5
Polinomska regresija
• K=9
Polinomska regresija
• K=12
Polinomska regresija
• K=15
Polinomska regresija
• Srednja kvadratna
pogreška na skupu za
učenje i skupu za
testiranje s obzirom na
složenost modela
• Primijetite područje
podusklađivanja i
pretjeranog usklađivanja
na podatke za učenje
• Koja je optimalna
dimenzija modela?
Više primjera je uvijek dobrodošlo
Izvor
RANSAC - primjer
• Detektirana ground plane pomoću RANSAC označena je crvenom
bojom
Linearna regresija. RANSAC.
• Zadaci Python: