簡介:1,今天內(nèi)容,核回歸核方法KERNELTRICK正則化理論,2,非參數(shù)回歸,參數(shù)回歸(線性回歸)時,假設(shè)RX為線性的。當(dāng)RX不是X的線性函數(shù)時,基于最小二乘的回歸效果不佳非參數(shù)回歸不對RX的形式做任何假定局部加權(quán)方法用點X附近的YI的加權(quán)平均表示RX,3,回憶KNN,回歸函數(shù)KNN用訓(xùn)練樣本中最鄰近X0的K個樣本的均值估計條件期望其中為X0的鄰域,由訓(xùn)練樣本中最鄰近X0的K個點XI定義,4,回憶KNN,例,5,核回歸NADARAYAWATSON,鄰域中點的權(quán)重不是等權(quán)重,而是每個樣本的權(quán)重隨其到目標(biāo)點的距離平滑衰減其中參數(shù)H稱為帶寬BANDWIDTH,核函數(shù)有時可寫為K可為任意平滑的函數(shù),滿足,6,常用核函數(shù),EPANECHNIKOV核使風(fēng)險最小的核函數(shù)高斯核三次方核,7,核回歸NADARAYAWATSON,回憶一下回歸方程的定義分別對用核密度估計,得到,8,核回歸NADARAYAWATSON,證明,,,9,核回歸NADARAYAWATSON,證明(續(xù)),10,核回歸NADARAYAWATSON,這可以被看作是對Y取一個加權(quán)平均,對X附近的值給予更高的權(quán)重其中,11,核回歸NADARAYAWATSON,將核回歸估計寫成如下形式其中,,,,12,核回歸NADARAYAWATSON,類似核密度估計中求期望的展開,得到同理,其中,13,核回歸NADARAYAWATSON,最后,得到估計的風(fēng)險為最佳帶寬以的速率減少,在這種選擇下風(fēng)險以的速率減少,這是最佳收斂速率(同核密度估計),14,核回歸NADARAYAWATSON,實際應(yīng)用中,利用交叉驗證對求最佳帶寬H。交叉驗證對風(fēng)險的估計為實際上不必每次留下一個計算單獨估計,可以寫成以下形式,15,例EXAMPLE2023,,不同帶寬下NADARAYAWATSON回歸的結(jié)果,16,核回歸NADARAYAWATSON,模型類型非參數(shù)損失平方誤差參數(shù)選擇留一交叉驗證,17,局部線性回歸,問題加權(quán)核回歸在訓(xùn)練數(shù)據(jù)中靠近邊界的點的估計很差核在邊界區(qū)域不對稱,局部加權(quán)平均在邊界區(qū)域上出現(xiàn)嚴重偏差?局部線性回歸局部線性回歸在每一個將要被預(yù)測的點X處解一個單獨的加權(quán)最小二乘問題,找到使下述表達式最小的,18,局部線性回歸,,邊界上的NW核核在邊界不對稱?偏差大,邊界上的局部線性回歸將偏差降至一階,藍色曲線真實情況綠色曲線估計值黃色區(qū)域X0的局部區(qū)域,19,核回歸局部線性回歸,則估計為其中WX是一個的對角矩陣且第I個對角元素是估計在YI上是線性的,因為權(quán)重項WIX不涉及YI,可被認為是等價核,20,局部線性回歸,局部線性回歸通過自動修改核,將偏差降至一階由于,偏差為,,21,局部線性回歸,,邊界上的局部等價核(綠色點),內(nèi)部區(qū)域的局部等價核(綠色點),22,局部多項式回歸,局部多項式回歸用D次多項式回歸代替線性回歸可以考慮任意階的多項式,但有一個偏差和方差的折中通常認為超過線性的話,會增大方差,但對偏差的減少不大,因為局部線性回歸能處理大多數(shù)的邊界偏差,,23,可變寬度核,可變寬度核如使每一個訓(xùn)練點的帶寬與它的第K個近鄰的距離成反比在實際應(yīng)用中很好用,雖然尚未有理論支持怎樣選擇參數(shù)不會改變收斂速度,但在有限樣本時表現(xiàn)更好注意上述這些擴展(包括局部線性/局部多項式)都可應(yīng)用到核密度估計中,24,核方法,為什么要用核方法得到更豐富的模型,但仍然采用同樣的方法如嶺回歸方法?核嶺回歸內(nèi)容KERNELTRICK再生HILBERT空間,25,線性模型,線性模型方便、應(yīng)用廣泛有很強的理論保證但還是有局限性可以通過擴展特征空間增強線性模型的表示能力如特征空間為R6而不是R2特該特征空間的線性預(yù)測器為,26,嶺回歸,對給定的最小化正則化的殘差則最優(yōu)解為,需OP3運算,27,對偶表示,一種對偶表示為其中,需ON3運算,28,對偶嶺回歸,為了預(yù)測一個新的點其中此時只需計算GRAM矩陣G,嶺回歸只需計算數(shù)據(jù)點的內(nèi)積,29,特征空間中的線性回歸,基本思想將數(shù)據(jù)映射到高維空間(特征空間)然后在高維空間中用線性方法嵌入式特征映射,30,核函數(shù),則核函數(shù)為其中為將數(shù)據(jù)映射到高維空間的映射有許多可能的核函數(shù)最簡單的為核,31,特征空間中的嶺回歸,為了預(yù)測一個新的點其中計算GRAM矩陣G,利用核函數(shù)計算內(nèi)積,32,另一種對偶表示推導(dǎo)方式,線性嶺回歸最小化等價于滿足約束則拉格朗日函數(shù)為,33,WOLFE對偶問題,轉(zhuǎn)化為其對偶問題對L求偏導(dǎo)并置為0,得到,34,WOLFE對偶問題,將和代入拉格朗日函數(shù)原目標(biāo)函數(shù)轉(zhuǎn)化為,35,最優(yōu)解,寫成矩陣形式為得到解相應(yīng)的回歸方程為,,點積,36,核化嶺回歸,將點積換成核函數(shù)KERNELTRICK就實現(xiàn)了對線性嶺回歸的核化,在空間統(tǒng)計學(xué)中稱為KRIGING算法。,37,核方法,通過將輸入空間映射到高維空間(特征空間),然后在高維空間中用線性方法高維維數(shù)災(zāi)難通過核技巧,避免維數(shù)災(zāi)難,38,KERNELTRICK,將問題變?yōu)槠鋵ε紗栴}只需計算點積,與特征的維數(shù)無關(guān),如在線性嶺回歸中,最大化下列目標(biāo)函數(shù)在高維空間中的點積可寫成核KERNEL的形式,如果選定核函數(shù),這無需計算映射可以計算點積,39,KERNELTRICK,總之,這些被稱為核技巧KERNELTRICK,尋找一個映射和一個學(xué)習(xí)方法,使得F的維數(shù)比X高,因此模型更豐富算法只需要計算點積存在一個核函數(shù),使得在算法中任何出現(xiàn)項的地方,用代替,亦稱為原方法的核化KERNELIZINGTHEORIGINALMETHOD,點積核,40,什么樣的函數(shù)可以作為核函數(shù),MERCER’S定理給出了連續(xù)對稱函數(shù)K可作為核函數(shù)的充要條件半正定半正定核對稱且對任意訓(xùn)練樣本點和任意滿足K被稱為GRAM矩陣或核矩陣。,矩陣形式,41,半正定核的性質(zhì),對稱CAUCHYSCHWARZ不等式,42,MERCER’STHEOREM,當(dāng)且僅當(dāng)一個函數(shù)K滿足半正定形式時,函數(shù)K可以寫成其中為特征映射該核定義了一個函數(shù)集合,其中每個元素可以寫成因此某些核對應(yīng)無限個預(yù)測變量的變換,MERCER核,43,RKHS再生HILBERT空間REPRODUCINGKERNELHILBERTSPACES,為了證明上述定理,構(gòu)造一個特殊的特征空間,,定義函數(shù)空間,再生性質(zhì),映射到一個函數(shù)空間,有限、半正定,,44,MERCER’STHEOREM,粗略地說,如果K對可積函數(shù)是正定的,即則對K存在對應(yīng)的因此K是一個合適的核,45,MERCER核,一些常用的核函數(shù)滿足上述性質(zhì)對字符串、圖等對象,也可以構(gòu)造核函數(shù),高斯核,多項式核,SIGMOID核,46,RKHS點積空間,定義該函數(shù)空間的點積MERCER定理隱含,47,正則化和RKHS,一種通用的正則化的形式為假設(shè)F在RKHS中,則,48,正則化和RKHS,則求解轉(zhuǎn)化為求解下述“簡單”問題,49,例嶺回歸,當(dāng)回歸分析取平方誤差損失時,因此,50,正則化的貝葉斯解釋,為貝葉斯MAP估計其中先驗為似然為損失函數(shù)取L2時,高斯分布損失函數(shù)取L1時,為LAPLACE分布,,51,其他與核方法相關(guān)的一些論題,高斯過程SVM關(guān)于核方法一本較好的參考書支持向量機導(dǎo)論(ANINTRODUCTIONTOSUPPORTVECTORMACHINESANDOTHERKERNELBASEDLEARNINGMETHODS)NELLOCRISTIANINI,JOHNSHAWETAYLOR著,李國正,王猛,曾華軍譯,電子工業(yè)出版社,北京,2004BERNHARDSCH?LKOPFINTRODUCTIONTOKERNELMETHODS,ANALYSISOFPATTERNSWORKSHOP,ERICE,ITALY,2005SCH?LKOPFSMOLALEARNINGWITHKERNELS,MITPRESS,2002,
下載積分: 4 賞幣
上傳時間:2024-01-06
頁數(shù): 51
大?。?1.05(MB)
子文件數(shù):