PRML読書会1スライド(公開用)

Transcript

• 1. PRML読書会/第1回 第1章 序論 1.1 例：多項式曲線フィッティング 1.2 確率論  1.2.1 確率密度  1.2.2 期待値と分散  1.2.3 ベイズ確率  1.2.4 ガウス分布  1.2.5 曲線フィッティング再訪  1.2.6 ベイズ曲線フィッティング 1.3 モデル選択 1.4 次元の呪い @tetsuroito
• 2. 序論 データに潜むパターンを見つけ出すのは根源的なもの 16世紀：天体データからの量子力学の発見 20世紀：量子スペクトルの規則性の発見 本書の目的 計算機アルゴリズムを通じて、データの中の規則性を自動的に見つけ、 その規則性を用いてデータを異なるカテゴリに分類する 例：手書き数字の認識 28×28ピクセルの画像 784次元の実数値ベクトルx →xを入力として受け取り、  0~9のどの数字かを分類する
• 3. 序論 用語の説明 （初回なので、念のため） 学習（訓練）段階：関数y(x)を訓練データで求める テスト集合：学習されたモデルで分類する新たなデータ群 汎化：訓練で使ったのは異なる事例を分類する能力 前処理：問題を解きやすくするために入力変数を変換する 特徴抽出：数字画像を平行移動、拡大縮小して固定した箱に収まるようにする →効率的に処理し、かつ重要な情報をそぎ落とさないように配慮する 教師あり学習：訓練データが入力および目標ベクトルに対応する問題 教師なし学習：訓練データが入力ベクトルxのみ  強化学習：与えられた条件化で報酬を最大にする行動を見つける 
• 4. 1.1多項式曲線フィッティング N個の観測値から新たな入力値xに対して、目標変数tを予測したい 図1.2の例、N=10個のデータ集合 生成にはsin(2πx)+ガウスノイズ ! →曲線フィッティングで予測する 左下のような多項式 多項式の次数 線形モデルに関しては、3章と4章で！
• 5. フィッティングをするためには‥ 1.1多項式曲線フィッティング wを任意に固定したときの関数y(x,w)の値と訓練集合のデータ点のズレ を測る誤差関数を最小化する なぜ、1/2をかけているか？→誤差関数が2次関数で微分したら都合がいいから （線形なので、解が一意） ←二乗誤差関数の幾何的な解釈
• 6. モデル選択：多項式の次数を決定する 1.1多項式曲線フィッティング 様々な次数でのフィッティング 0次や1次はあてはまり悪い 次数が高い9次（右下） あてはまりはいい（誤差=0）が、 過学習 3次の場合が、最もあてはまりが よさそう
• 7. 次数Mによる汎化性能の評価 1.1多項式曲線フィッティング 平均二乗平方根誤差を用いる 定義域：0≦M≦9における訓練集合とテストデータの誤差プロット M=9は訓練データの誤差は0 しかし、テストデータの誤差は大きい 3≦M≦8の誤差はほぼ同じ よって、M=3が一番よいとなる
• 8. なぜM=9の時にうまくいかないのか（同等の精度出ないの？） 1.1多項式曲線フィッティング 様々な次数のwの係数の結果を見るとわかる Mの増加に伴ってwの係数が増大 ランダムノイズに引きづられてしまう データ集合のサイズを増やすと 過学習問題はちょっと緩和
• 9. 1.1多項式曲線フィッティング 最尤推定において、過学習は一般的な性質 過学習を避ける方法 １、ベイズ的アプローチを用いる  （有効パラメータ数も自動的にデータ集合のサイズに適合） ２、誤差関数に罰則項を用いる（正則化） 係数λが調整パラメータ 正則化項が2次の場合：リッジ回帰 （L2）      1次の場合：ラッソ回帰 （L1） ニューラルネットワークでは荷重減衰とよばれるらしい
• 10. λがモデルの実質的な複雑さを制御し、過学習の度合いを決定する様 1.1多項式曲線フィッティング RMS誤差の値をプロット →訓練集合と確認集合に分ける方法  （ホールドアウト） ただし、データ数との兼ね合いも考慮 クロスバリデーションとかにつづく！
• 11. 1.2確率論 パターン認識における となる概念：不確実性 P(赤箱)=4/10 P(青箱)=6/10 （緑：リンゴ、オレンジ：オレンジ） 一般化した設定 M=5 , L=3 総数Nのうち、 X=x_i ,Y=y_iであるものをn_ij 同時確率 周辺確率 条件付き確率 確率の基本法則 加法定理 乗法定理
• 12. ベイズの定理 1.2確率論 事後確率 規格化定数 尤度 事前確率 N=60個のプロットとヒストグラム、取りうる値など‥
• 13. 1.2確率論 果物の例 箱を選ぶ確率 p(B=r)=4/10 p(B=b)=6/10 果物の確率 p(F=a | B=r)=1/4 p(F=o | B=r)=3/4 p(F=a | B=b)=3/4 p(F=o | B=b)=1/4 加法・乗法利用 p(F=a)=p(F=a|B=r)p(B=r)+p(F=a|B=b)p(B=b)=11/20 (りんごを選ぶ確率) ベイズの定理利用 (選ばれた箱の確率) p(B=r|F=o)= p(F=a|B=r)p(B=r) p(F=o) =2/3
• 14. 1.2.1確率密度 連続変数について確率を考えた場合のもの 実数値をとる変数xが区間（x,δx）に入る確率が δx→0のとき、p(x)δxで与えられる時のp(x) xが区間(a,b)にある確率は積分でok ※確率密度が満たす条件 確率は非負 xは実数上のどこかの値をとらなければならない 確率密度関数 累積密度関数
• 15. 分布に非線形な変換を施す 変数変換：x=g(y) (下図青線) 1.2.1確率密度 ヤコビ行列により変換 確率密度の最大値は変数の選び方に依存 要は置換積分のようですが、文系にはきつい！ 累積分布関数 xが区間(-∞,z)に入る確率 P’(x)=p(x)を満たす （微分で表現）
• 16. いくつかの連続変数があるとき、まとめてベクトルxで表すと 1.2.1確率密度 同時分布p(x)=p(x1,…,xD)で定義できて、xを含む確率はp(x)δx 多変数確率密度は下記を満たす必要 xが離散の時、p(x)は確率質量関数とも 加法・乗法定理、ベイズの定理も適用可能 厳密に示すには測度論が必要となる
• 17. 1.2.２期待値と分散 確率を含む最も重要な操作は関数の重み付きの平均を求めること 期待値：確率分布p(x)の下での平均値f(x) 離散分布の平均 連続分布の平均 いずれの場合も有限個のN点での有限和で近似可能 （11章のサンプリング法で使うよ） 条件付き期待値 f(x)の分散 共分散 ベクトルの共分散は教科書見て
• 18. ランダムな繰り返し試行の頻度：古典的確率、頻度主義 1.2.3ベイズ確率 ベイズ的な見方の導入：不確実性を定量的に表現し、新たな証拠に照らして             修正、その結果として最適な行動や決定をくだす。 Dを観測した事後にwに関する不確実性を 事後分布p(w|D)の形で評価することが可能になる 事後確率 尤度×事前確率 【尤度の定義より】 ベイジアンと頻度主義の２つのパラダイム 尤度関数p(D|w)の扱い 頻度主義：wは固定化されたパラメータで推定量      推定の誤差範囲はDの分布を考慮 ex)ブートストラップ法 ベイジアン：ただ１つのデータ集合Dがあって、       パラメータに関する不確実性はwの確率分布
• 19. ベイズ確率への批判 1.2.3ベイズ確率 事前分布の選定が数学的な便宜や主観的になることについて 無情報事前分布を用いる （けっこう困難な場合がある） 悪いものを選ぶと相応になるが、頻度主義の評価方法（交差検定） を使うと回避できる 近年はベイズが重要 全パラメータの周辺化が必要；MCMCや計算機の改良で現実的になった さらに、変分ベイズ法やEP法によっても有用となった
• 20. 1.2.4ガウス分布 みんな大好き正規分布！ 平均=μ 分散=σ^2 標準偏差=σ 分散の逆数は精度パラメータ 満たす要件と分布 平均と2次のモーメント、分散 分布の最大値を与える最頻値（モード）は平均と一致
• 21. D次元ベクトルの連続変数xに対するガウス分布 1.2.4ガウス分布 データ点が同じ分布から独立に生成される→i.i.d（独立同分布） データ集合の確率 観測されたデータからパラメータ求める （尤度関数最大化） 便利なので、対数尤度を最大化 尤度関数をμ,σで微分して解く サンプル平均 サンプル分散 最尤解を得る！
• 22. バイアスが起きてしまう現象 1.2.4ガウス分布 緑の曲線：真のガウス分布 赤の曲線：データ集合から求めたガウス分布 青の点：データ点 平均は合っているものの、分散が過小評価されてしまうため、発生 観測データNを→ にすると、バイアス問題は問題ではなくなる
• 23. 1.2.5曲線フィッティング再訪 訓練データx=(x1,…,xN)Tと目標値t=(t1,…,tN)T 精度パラメータβを導入 訓練データ(x,t)を用いて 未知のパラメータw,βを求めるのに 最尤推定を使う 対数尤度を最大化する(wについて) w以外を無視できるので、二乗和誤差の最小化と等価 βについての最尤推定
• 24. w,βが求められたので、新たな値の予測が可能 1.2.5曲線フィッティング再訪 予測分布という形でのtの確率分布 多項式wに関する事前分布を導入（ベイズ的アプローチ） α：精度パラメータ（超パラメータ） M+1：M次多項式に対するwの要素数 wの事後分布は事前分布と尤度関数との積に比例する 尤もらしいwを求める→事後分布を最大化するwを求める(MAP推定) 左式の最小値がその解となる ※正則化パラメータλ＝α/β
• 25. 1.2.6ベイズ曲線フィッティング 完全なベイズアプローチ 加法・乗法定理を矛盾なく適用し、wのすべての値に関して積分する →このような周辺化はパターン認識のベイズ手法の根幹 予測分布p(t|x,x,t)を評価する 上式の事後分布はガウス分布となる 平均 分散 tの予測値の目標変数による不確実性 パラメータwに対する不確実性（ベイズ的） M=9次多項式のベイズフィッティング 赤線：予測分布の平均 赤い領域：平均±1標準偏差範囲
• 26. 1.3モデル選択 複雑なモデルを制御するパラメータを決めたい  （新たなデータに対してもいい予測ができる） ホールドアウトの話は前述した通り。 交差確認（cross validation）を用いる 得られたデータのうち、(S-1)/Sの割合を訓練データとし、全データを評価 データが少ない時は、LOO法(leave-one-out method)を使う モデルの複雑さを測る情報量規準 AIC（赤池情報量規準） 左式が最大化となるものを選択 （誤差関数最小化の方が一般） BIC（ベイズ情報量規準） 4.4.1節で議論とのこと
• 27. 情報量規準と言えば 東工大の渡辺先生がWAIC、WBICという指標を考案し、一部界隈で話題に！
• 28. 1.4次元の呪い パターン認識の応用では高次元空間を扱う必要がある 左図xをどの色に分類するか問題 学習アルゴリズムにするには？ →マス目に区切ってみる 同じマス目に多く含有する 色に分類する 入力空間が高次元に拡張するとマス目が指数的に増大し、つらい‥ etc‥
• 29. Dが増えると、独立な係数の数はD^3に比例する 1.4次元の呪い M次の多項式では、係数はD^Mに増える → 冪乗でヤバい！ 3次元空間で生活している我々には高次元空間の幾何的直感は間違う 半径r=1-εとr=1の間にある球の 様々な次元Dに関するプロット ガウス分布の半径rに関する確率密度 の様々な次元Dに関するプロット 次元の呪い：大きい次元の空間に伴う困難のこと
• 30. 重要な問題だが、有効な手段がないこともない 1.4次元の呪い １、実データは低次元領域であり、目標変数の変化の方向性は限定性が高い ２、実データが一般的に滑らかな性質を持っており、局所的に小さな変化しか   与えない。→局所的内挿などで対処可能 物体には3つの自由度がある 画像の集合は高次元空間に埋め込まれた３次元の多様体上にある →物体の位置、方向、ピクセル強度は複雑なので、高度に非線形 （パラメータを固定化できれば、少ない数で制御可能になる）