Upload
sleepyyoshi
View
3.312
Download
4
Embed Size (px)
DESCRIPTION
2012-07-16 PRML復々習レーン#3 前回までのあらすじ の資料
Citation preview
PRML復々習レーン#3 前回までのあらすじ
2012-07-16
Yoshihiko Suhara
@sleepy_yoshi
v.1.1
前回のおさらい
• 復々習レーンの復習を15分程度でやります
–得られた結論にポイントを絞る
– 「よーするに」な内容
• 目的
–前回の復習
–不参加の方に流れを伝えるため
–自分自身の勉強のため
ポイントだよ
2
前回の範囲
• 2.3 ガウス分布 – 2.3.1 条件付きガウス分布 – 2.3.2 周辺ガウス分布 – 2.3.3 ガウス変数に対するベイズの定理 – 2.3.4 ガウス分布の最尤推定 – 2.3.5 逐次推定 – 2.3.6 ガウス分布に対するベイズ推論 – 2.3.7 スチューデントのt分布 – 2.3.8 周期変数 – 2.3.9 混合ガウス分布
• 2.4 指数型分布族 – 2.4.1 最尤推定と十分推定量 – 2.4.2 共役事前分布 – 2.4.3 無情報事前分布
ここまで
3
2.3 ガウス分布
4
2.3 ガウス分布
ガウス分布は全ての基本 平均パラメータ𝝁,共分散パラメータ𝚺 (精度𝚲 = 𝚺−1)の
ガウス分布の確率密度関数は以下のとおり
ポイントだよ
• 𝒩 𝑥 𝜇, Σ =1
2𝜋𝐷2
1
𝚺12
exp −1
2𝒙 − 𝝁 𝑇𝚺−1 𝒙 − 𝝁
• 注意点 – 単峰性であること
– パラメータ数は𝐷+1 𝐷
2+ 𝐷個であるため,計算が困難
• 共分散行列に制限を設ける (a: 一般,b: 対角, c: 等分散)
5
2.3.1 条件付きガウス分布
𝑝 𝒙𝑎, 𝒙𝑏 がガウス分布のとき, 条件付き分布𝑝 𝒙𝒂|𝒙𝑏 もガウス分布
ポイントだよ
コレ
6
2.3.2 周辺ガウス分布
𝑝 𝒙𝑎, 𝒙𝑏 がガウス分布のとき, 周辺分布𝑝 𝒙𝒂 = 𝑝 𝒙𝑎, 𝒙𝑏 d𝒙𝑏もガウス分布
ポイントだよ
コレ
7
2.3.3 ガウス分布に対するベイズ推定
𝒙の周辺ガウス分布𝑝(𝒙)と条件付きガウス分布𝑝(𝒚|𝒙)が 以下で与えられたとき
𝒚の周辺分布と𝒙の条件付き分布は以下で表現できる
ポイントだよ
• 𝒙の周辺ガウス分布𝑝(𝒙)と条件付きガウス分布𝑝(𝒚|𝒙) – 𝑝 𝒙 = 𝒩 𝒙 𝝁, 𝚲−1
– 𝑝 𝒚|𝒙 = 𝒩 𝒚 𝑨𝒙 + 𝒃, 𝑳−1
• 𝒚の周辺分布と𝒙の条件付き分布 – 𝑝 𝒚 = 𝒩 𝒚 𝑨𝝁 + 𝒃, 𝑳−1 + 𝑨𝚲−1𝑨𝑇
– 𝑝 𝒙 𝒚 = 𝒩 𝒙 𝚺 𝑨𝑇𝑳 𝒚 − 𝒃 + 𝑨𝝁 , 𝚺 – ただし 𝚺 = 𝚲 + 𝑨𝑇𝑳𝑨 −1
• 同時確率 𝑝 𝒛 = 𝑝 𝒙 𝑝 𝒚 𝒙 = 𝑝 𝒚 𝑝 𝒙 𝒚
8
2.3.4 ガウス分布の最尤推定
平均と分散の最尤推定量は以下のとおり なお分散の最尤推定量 ≠ 不偏推定量
ポイントだよ
• 十分統計量 – 𝒙𝑛𝑁𝑛=1 と 𝒙𝑛𝒙𝑛
𝑇𝑁𝑛=1
• 最尤推定量
– 平均: 𝝁ML =1
𝑁 𝒙𝑛𝑁𝑛=1
– 分散: 𝚺𝑀𝐿 =1
𝑁 𝒙𝑛 − 𝝁ML 𝒙𝑛 − 𝝁ML
𝑇𝑁𝑛=1
9
2.3.5 逐次推定
データを逐次的に用いて分布のパラメータを推定する場合にはRobbins-Monroアルゴリズムを利用できる
ポイントだよ
• Robbins-Monroアルゴリズム – 𝑓 𝜃∗ = 0の根𝜃∗を求めるアルゴリズム
𝜃 𝑁 = 𝜃 𝑁−1 − 𝑎𝑁−1𝑧 𝜃𝑁−1
• 最尤推定解は対数尤度関数の停留点 – 最尤推定解を求めることは,回帰関数の根を求めることに相当
– 他にも3.1.3の確率的勾配法でも利用
10
2.3.6 ガウス分布に対するベイズ推論
ガウス分布における各パラメータの事後分布と 共役事前分布は以下の通り
ポイントだよ
事後分布 1変量 多変量
平均パラメータ(分散既知) ガウス分布 ガウス分布
精度パラメータ(平均既知) ガンマ分布 ウィシャート分布
分散パラメータ(平均既知) 逆ガンマ分布 逆ウィシャート分布
平均,精度パラメータ ガウス―ガンマ分布 ガウス―ウィシャート分布
• パラメータの事後分布∝尤度×事前分布
• ベイズ推定で求めるのはパラメータの分布
11
2.3.7 スチューデントのt分布
t分布は,平均は同じで精度が異なるような ガウス分布を無限個足し合わせたもの
ポイントだよ
• 最尤推定解は解析的には求まらない (⇒ EM法)
t分布 t分布 vs. ガウス分布
• t分布の頑健性
12
2.3.8 周期変数
周期性を持つ確率変数を扱う場合には 極座標とフォン・ミーゼス分布を用いる
ポイントだよ
• フォン・ミーゼス分布
𝑝 𝜃 𝜃0, 𝑚 =1
2𝜋𝐼0(𝑚)exp 𝑚 cos 𝜃 − 𝜃0
Fritz Von Erich (1929-1997)
極座標 直交座標
Richard von Mises (1883-1953)
赤の単位円で条件づけられた 2次元ガウス分布という解釈 13
2.3.9 混合ガウス分布
単一のガウス分布では表現が難しい場合には 混合ガウス分布を用いる
ポイントだよ
• 混合ガウス分布: 𝑝 𝒙 = 𝜋𝑘 𝒩 𝒙 𝝁𝑘 , 𝚺𝑘𝐾𝑘=1
• 対数尤度関数 – 解析的には最尤解を求められることができないため,EMアルゴリズムを用いる
14
2.4 指数型分布族
15
2.4 指数型分布族
これまでの話題を一般化するため, 指数型分布族という単位で考える
ポイントだよ
• 指数型分布族の例
–ベルヌーイ分布,多項分布,正規分布,ポアソン分布など
• 指数型分布族の一般形 𝑝 𝒙 𝜼 = ℎ 𝒙 𝑔 𝜼 exp 𝜼𝑇𝒖 𝒙
16
2.4.1 最尤推定量と十分統計量
指数型分布族の関数形から 最尤推定量と十分統計量を求めることができる
ポイントだよ
• 以下の式を解けば最尤推定量を得ることができる
−𝛻 ln 𝑔 𝜼𝑀𝐿 =1
𝑁 𝒖 𝒙𝑛
𝑁
𝑛=1
十分統計量
17
つづく さぁ今日も一日 がんばるぞ
18