Prml P67-p71

  • Uploaded by: shj
  • 0
  • 0
  • June 2020
  • PDF

This document was uploaded by user and they confirmed that they have the permission to share it. If you are author or own the copyright of this book, please report to us by using this DMCA report form. Report DMCA


Overview

Download & View Prml P67-p71 as PDF for free.

More details

  • Words: 521
  • Pages: 14
p67-p71 第2章始まりから2.1.1節 前まで 宋

第2章の目的 • 第1章:確率理論、決定理論、情報理論 • 第2章:具体的な確率分布&性質 – 複雑なモデルに必要 – 統計概念(例えばベイズ推論)を考えるとき必 要

密度推定 • 観測値 {x1 , . . . , xN } => p(x) • 仮定 : independent and identically distributed (IID)

p(x1 , . . . , xN ) =

N Πi=1 p(xi )

• 注意点:密度推定問題は不良設定 (illposed) な問題 – 無限な分布について可能性がある モデル選択問題

パラメトリック分布 • 離散:二項分布、多項分布 • 連続:正規分布

• 密度推定問題場合のパラメータ推定方法 – 頻度主義:ある基準(例えば尤度関数)について最 適化 – ベイズ:事前分布を導入して、事後分布を計算

共役事前分布 • 事前分布と事後分布は同じ形の分布の場合、 事前分布を共役事前分布と呼ぶ • 目的:ベイズ解析をより簡単にする • 例:

多項分布

• 指数型分布族

ディリクレ分布

ノンパラメトリック密度推定 • パラメトリック・アプローチ:特定な分布を仮 定 • ノンパラメトリック:分布の形はデータに依 存 – パラメータ => モデルの複雑さ をコント ロール – ヒストグラム法、最近傍法、カーネル法

二値変数 • 例:コインを弾いた場合 – 表:x = 1 、裏:

x=0

• 表裏は半々の確率で出ないと仮定、 また p ( x = 1 | µ ) = µ    (2.1)

x に関する分布は以下のとおり Bern( x | µ ) = µ x (1 − µ )1− x    (2.2) ベルヌーイ分布

ベルヌーイ分布 Bern( x | µ ) = µ x (1 − µ )1− x    (2.2) (2.3) • 平均: E[ x] = µ      (2.4) • 分散: var[ x] = µ (1 − µ )   

尤度関数 • 観測データ • 尤度関数 N

N

n =1

n =1

p (    | µ ) = ∏ p ( xn | µ ) = ∏ µ xn (1 − µ )1− xn    (2.5) ln関数 N

N

n =1

n =1

ln p(    | µ ) = ∑ ln p( xn | µ ) = ∑{xn ln µ + (1 − xn ) ln(1 − µ )}   (2.6)

=Nln(1 − µ) + (ln µ − ln(1 − µ))



n

xn

十分統計量

最尤推定 N

N

n =1

n =1

ln p (    | µ ) = ∑ ln p ( xn | µ ) = ∑ {xn ln µ + (1 − xn ) ln(1 − µ )}   ( 2.6)

∂ln p(D|µ) ∂µ

µ ML

µ ML

1 = N

=0

N

(2.7) ∑ x     n

n =1

m =     (2.8) N m : x = 1 の回数

最尤推定の欠点 • 3回の試行を行い、全部表が出た場合

N = m = 3,  µ ML = 1

?

先もずっと表が出続ける

• 解決方法:事前分布を導入

二項分布 • 変数: m ( x = 1の回数) N

N

p (    | µ ) = ∏ p ( xn | µ ) = ∏ µ xn (1 − µ )1− xn    (2.5) n =1 n =1   N − n xn n xn



(1 − µ)

m

=µ (1 − µ)

N −m

• 正規化係数 :N から m個の表を得るすべて の通りの数 N N!   ≡    (2.10)  m  ( N − m)!m!

二項分布:図 N m Bin (m | N , µ ) =   µ (1 − µ ) N − m    ( 2. 9) m

N = 10, µ = 0.25

二項分布:期待値と分散 • 計算する際、以下の性質を利用(Ex.1.10) E[ x + z ] = E[ x] + E[ z ]     (1.128) var[ x + z ] = var[ x] + var[ z ]   (1.129) x と z が相互独立な変数



m = x1 + x2 + ... + x N

またそれぞれの xn は独立

N

E[m] = ∑ mBin(m | N , µ ) = Nµ          (2.11) m =0

N

var[m] = ∑ (m − E[m])2 Bin(m | N , µ ) = Nµ (1 − µ )    (2.12) m =0

Related Documents

Prml Problems 2.52,3.16
December 2019 10
Prml P67-p71
June 2020 9
Prml P184-p189
June 2020 4

More Documents from "shj"

Prml_exercise4.3
May 2020 5
Prml_excercise 2.8
June 2020 4
Prml P67-p71
June 2020 9
Prml_exercise4.5
May 2020 5
Prml P184-p189
June 2020 4
December 2019 7