sage/PRML-線形回帰 の変更点

http://49.212.24.146/~take/TakeWiki/index.php?sage%2FPRML-%E7%B7%9A%E5%BD%A2%E5%9B%9E%E5%B8%B0

[ トップ ]   [ 編集 | 差分 | バックアップ | 添付 | リロード ]   [ 新規 | 一覧 | 単語検索 | 最終更新 | ヘルプ ]

• 追加された行はこの色です。
• 削除された行はこの色です。
• sage/PRML-線形回帰 へ行く。
• sage/PRML-線形回帰 の差分を削除

---

#freeze
[[FrontPage]]

#contents

2011/04/08からのアクセス回数 &counter;

ここで紹介したSageワークシートは、以下のURLからダウンロードできます。

http://sage.math.canterbury.ac.nz/home/pub/86/

また、Sageのサーバを公開しているサイト（http://sage.math.canterbury.ac.nz/ 、http://www.sagenb.org/）にユーザIDを作成することで、ダウンロードしたワークシートを
アップロードし、実行したり、変更していろいろ動きを試すことができます。

* 第1章-Sageを使って線形回帰を試してみる [#x22ef249]

[[パターン認識と機械学習>http://www.amazon.co.jp/dp/443110013X/]]
は、機械学習に関するとても優れた教科書です。ここでは、Sageを使って教科書の例題を実際に試してみます。


第1章の例題として、\( sin(2 \pi x) \)の回帰問題について見てみます。


** データについて [#bcfa72da]

上巻の付録Aにあるように http://research.microsoft.com/~cmbishop/PRML から
例題のデータをダウンロードすることができます。

これから計算に使うSin曲線は、
$$ 
y = sin(2 \pi x) + \mathcal{N}(0,0.3) 
$$
で与えられたデータです。ここでは、curve fitting dataで提供されているデータを使用します。

最初に、データを座標Xと目的値tにセットし、sin曲線と一緒に表示してみます。


sageへの入力:
#pre{{
# PRMLのsin曲線のデータ
data = matrix([
        [0.000000, 0.349486],
        [0.111111, 0.830839],
        [0.222222, 1.007332],
        [0.333333, 0.971507],
        [0.444444, 0.133066],
        [0.555556, 0.166823],
        [0.666667, -0.848307],
        [0.777778, -0.445686],
        [0.888889, -0.563567],
        [1.000000, 0.261502],
        ]);
X = data.column(0)
t = data.column(1)
M = 3;
# データのプロット
sin_plt = plot(sin(2*pi*x),[x, 0, 1], rgbcolor='green');
data_plt = list_plot(zip(X, t)); data_plt
(data_plt + sin_plt).show()
}}

&ref(sage0-0.png);


** 最小自乗法の解 [#q4d22cc3]

3章の式(3.15)によると最小自乗法の解は、
$$ 
W_{ML} = ( \Phi^T \Phi )^{-1} \Phi^T t
$$
で与えられます。ここで、\(\Phi\) は計画行列(design matrix)と呼ばれ、その要素は、\(\Phi_{nj} = \phi_j(x_n)\)
与えらます。	

また、行列 \( \Phi^{\dagger} \)は、ムーア＿ベンローズの疑似逆行列と呼ばれています。
$$
\Phi^{\dagger} = \left( \Phi^T \Phi \right)^{-1} \Phi^T
$$


*** 多項式フィッティング [#db96ba18]

多項式フィッティングの式(1.1)では、\(y(x, w)\)を以下のように定義します。
$$ 
y(x, w) = \sum^{M}_{j=0} w_j x^j
$$

そこで、\(\phi_j(x)\)を以下のように定義します。
$$
\phi_j(x) = x^j
$$


sageへの入力:
#pre{{
# Φ関数定義
def _phi(x, j):
    return x^j
}}


*** 行列のセットと解の計算 [#r72c35af]

定義に従って計画行列\(\Phi\)、計画行列の転置行列\(\Phi^T\)、ムーア＿ベンローズの疑似逆行列\(\Phi^\dagger\)を求め、
平均の重み\(W_{ML}\)を計算します。


sageへの入力:
#pre{{
# 計画行列Φ
Phi = matrix([[ _phi(x,j) for j in range(0, (M+1))] for x in X.list()]); 
Phi_t = Phi.transpose();
# ムーア＿ベンローズの疑似逆行列
Phi_dag = (Phi_t * Phi).inverse() * Phi_t; 
# 平均の重み
Wml = Phi_dag * t; Wml
}}
#pre{{
(0.313702727439780, 7.98537103199157, -25.4261022423404, 17.3740765279263)
}}


*** 多項式yの定義 [#b562770f]

sageでは、多項式y(x)を以下のように定義します。


sageへの入力:
#pre{{
# 出力関数yの定義
y = lambda x : sum(Wml[i]*x^i for i in range(0, (M+1)));
}}


*** 多項式線形回帰の結果 [#d0d628cf]

\(M=3\)の時の、多項式回帰の結果（赤）をサンプリング（青）とオリジナルの\(sin(2 \pi x)\)を合わせて
プロットします。


sageへの入力:
#pre{{
y_plt = plot(y, [x, 0, 1],  rgbcolor='red'); 
(y_plt + data_plt + sin_plt).show();
}}

&ref(sage0-1.png);

*** 様々なMの結果 [#de724aca]

図1.3に相当する図を表示します。スライダーでMの値を変えてみてください。

\(M=9\)ではすべての点を通る曲線になりますが、元のsin曲線とはかけ離れた形になります。
これは、過学習（over fitting）と呼ばれる現象で、機械学習はこの過学習との戦いになります。


sageへの入力:
#pre{{
# PRMLの図1.3
@interact
def _(M=(0..9)):
    # 計画行列Φ
    Phi = matrix([[ _phi(x,j) for j in range(0, (M+1))] for x in X.list()]); 
    Phi_t = Phi.transpose();
    # ムーア＿ベンローズの疑似逆行列
    Phi_dag = (Phi_t * Phi).inverse() * Phi_t; 
    # 平均の重み
    Wml = Phi_dag * t; 
    f = lambda x : sum(Wml[i]*x^i for i in range(0, (M+1)));
    y_plt = plot(f, [x, 0, 1],  rgbcolor='red'); 
    (y_plt + data_plt + sin_plt).show(ymin=-1.5, ymax=1.5);
}}

&ref(sage0-2.png);


*** 100個の検証用データを生成 [#p026eb42]

サンプルを100個に増やした検証用データを生成します。


sageへの入力:
#pre{{
# 100個の検証用データを生成する
X100 = vector([random() for i in range(100)]); 
t100 = vector([(sin(2*pi*x) + +gauss(0, 0.3)).n() for x in X100.list()]);
#　100個のデータをプロット
lst100_plt = list_plot(zip(X100, t100), rgbcolor='gray');
(data_plt + lst100_plt + sin_plt).show()
}}

&ref(sage0-3.png);


*** サンプルを増やした場合 [#se6959a3]

サンプルを100個に増やし、\(M=9\)の多項式フィッティングを行ったのが、以下の図です（原書の図1.6に対応）。

サンプルを増やせば、\(M=9\)でも元のsin曲線に近い形になりますが、少数の貴重なサンプルではこのような方法は使えません。

sageへの入力:
#pre{{
M = 9;
# 計画行列Φ
Phi = matrix([[ _phi(x,j) for j in range(0, (M+1))] for x in X100.list()]); 
Phi_t = Phi.transpose();
# ムーア＿ベンローズの疑似逆行列
Phi_dag = (Phi_t * Phi).inverse() * Phi_t; 
# 平均の重み
Wml = Phi_dag * t100; Wml
f = lambda x : sum(Wml[i]*x^i for i in range(0, (M+1)));
y_plt = plot(f, [x, 0, 1],  rgbcolor='red'); 
(y_plt + lst100_plt + sin_plt).show(ymin=-1.5, ymax=1.5);
}}

&ref(sage0-4.png);


*** 平均自乗平方根誤差 [#qa20890c]

原書の1.1では訓練データとテスト用データの平均自乗平方根誤差、
$$
E(w) = \frac{1}{2} \sum^N_{n=1} \{ y(x_n, w) - t_n \}^2
$$
を使って最適なMの値を求める手法を紹介しています。

以下に訓練用データの\(E_{RMS}\)（青）、テスト用データの\(E_{RMS}\)（赤）でMに対する
値の変化を示します。M=3で訓練、テスト共に低い値となることが見て取れます。


sageへの入力:
#pre{{
# 平均自乗平方根誤差
Erms_t = [];
Erms_t100 = [];
for M in range(10):
    # 計画行列Φ
    Phi = matrix([[ _phi(x,j) for j in range(0, (M+1))] for x in X.list()]); 
    Phi_t = Phi.transpose();
    # ムーア＿ベンローズの疑似逆行列
    Phi_dag = (Phi_t * Phi).inverse() * Phi_t; 
    # 平均の重み
    Wml = Phi_dag * t; 
    f = lambda x : sum(Wml[i]*x^i for i in range(0, (M+1)));
    Erms_t += [sqrt(sum((t[i] - f(X[i]))^2 for i in range(len(t)))/len(t))];
    Erms_t100 += [sqrt(sum((t100[i] - f(X100[i]))^2 for i in range(len(t100)))/len(t100))];
Erms_t_plt = list_plot(Erms_t);
Erms_t100_plt = list_plot(Erms_t100, rgbcolor = 'red');
(Erms_t_plt + Erms_t100_plt).show();
# グラフの傾向はPRMLと同じですが、値が若干ずれている？
}}

&ref(sage0-5.png);


** リッジ回帰 [#ze18b2d1]

誤差関数にペナルティ項を追加し、過学習を防ぐ例として、リッジ回帰が紹介されています。
$$
\tilde{E}^(w) = \frac{1}{2} \sum^N_{n=1} \{ y(x_n, w) - t_n \}^2 + \frac{\lambda}{2} ||w||^2
$$
を使って正規化します。

以下にM=9の練習用データにリッジ回帰を行った結果を示します。


sageへの入力:
#pre{{
# リッジ回帰
M = 9;
N = len(t);
lam = n(e^-18);
Phi = matrix([[ _phi(x,j) for j in range(0, (M+1))] for x in X.list()]); 
Phi_t = Phi.transpose();
# ムーア＿ベンローズの疑似逆行列
Phi_dag = (lam*matrix((M+1),(M+1),1) + Phi_t * Phi).inverse() * Phi_t; 
# 平均の重み
Wml = Phi_dag * t;
f = lambda x : sum(Wml[i]*x^i for i in range(0, (M+1)));
y_plt = plot(f, [x, 0, 1],  rgbcolor='red'); 
(y_plt + data_plt + sin_plt).show(ymin=-1.5, ymax=1.5);
}}

&ref(sage0-6.png);

*** リッジ回帰に対する平均自乗平方根誤差 [#l010da42]

リッジ回帰に対する訓練用データの\(E_{RMS}\)（青）、テスト用データの\(E_{RMS}\)（赤）でMに対する
値の変化を示します。


sageへの入力:
#pre{{
# Ermsを取って過学習の度合いを見る
# 平均自乗平方根誤差
Erms_t = [];
Erms_t100 = [];
for ln_lam in range(-38, 1):
    lam = n(e^ln_lam);
    Phi = matrix([[ _phi(x,j) for j in range(0, (M+1))] for x in X.list()]); 
    Phi_t = Phi.transpose();
    # ムーア＿ベンローズの疑似逆行列
    Phi_dag = (lam*matrix((M+1),(M+1),1) + Phi_t * Phi).inverse() * Phi_t; 
    # 平均の重み
    Wml = Phi_dag * t;
    f = lambda x : sum(Wml[i]*x^i for i in range(0, (M+1)));
    Erms_t += [[ln_lam, sqrt(sum((t[i] - f(X[i]))^2 for i in range(len(t)))/len(t))]];
    Erms_t100 += [[ln_lam, sqrt(sum((t100[i] - f(X100[i]))^2 for i in range(len(t100)))/len(t100))]];
Erms_t_plt = list_plot(Erms_t);
Erms_t100_plt = list_plot(Erms_t100, rgbcolor = 'red');
(Erms_t_plt + Erms_t100_plt).show();
}}

&ref(sage0-7.png);


** ベイズ的なフィッティング [#n134ab6d]

もっとも良い結果を示すのが、ベイズ的なフィッティングの結果です（原著図1.17）。
$$
m_N = \beta S_N \Phi^T t
$$
$$
S^{-1}_{N} = \alpha I + \beta \Phi^T \Phi
$$
で与えられます。（\(m_N\)は、直線回帰の\(W_{ML}\)に相当します）

以下に\(\alpha = 5 \times 10^{-3}, \beta = 11.1\)の練習用データのベイズ的なフィッティング結果を示します。


sageへの入力:
#pre{{
# ベイズ的なフィッティング
# α=5*10^-3, β=11.1を使用
alpha = 5*10^-3;
beta = 11.1;
Phi = matrix([[ _phi(x,j) for j in range(0, (M+1))] for x in X.list()]); 
Phi_t = Phi.transpose();
# ムーア＿ベンローズの疑似逆行列
Phi_dag = (alpha*matrix((M+1),(M+1),1) + beta*Phi_t * Phi).inverse() * Phi_t; 
# 平均の重み
Wml = beta*Phi_dag * t;
f = lambda x : sum(Wml[i]*x^i for i in range(0, (M+1)));
# 分散
def s(x):
    phi_x = vector([x^i for i in range(M+1)]);
    s_sqr = 1/beta + phi_x * Phi_dag * phi_x;
    return sqrt(s_sqr);
s_u_plt = plot(lambda x : f(x) + s(x), [x, 0, 1],  rgbcolor='grey'); 
s_d_plt = plot(lambda x : f(x) - s(x), [x, 0, 1],  rgbcolor='grey'); 
y_plt = plot(f, [x, 0, 1],  rgbcolor='red'); 
(y_plt + data_plt + sin_plt + s_u_plt + s_d_plt).show(ymin=-1.5, ymax=1.5);
}}

&ref(sage0-8.png);

** lasso回帰 [#jcca8eb4]
鈴木由宇さんから、最近はlasso回帰も注目されていると聞き、
[[smlyさんのブログ「線形回帰モデルとか」>http://d.hatena.ne.jp/smly/20100630/1277904761]]
から、cvx_optを使った方法を使わせて頂き、Sageでプロットしてみました。

lasso回帰は、リッジ回帰のペナルティ項が２次から絶対値になったものです。
$$
\tilde{E}(w) = \frac{1}{2} \sum^N_{n=1} \{ y(x_n, w) - t_n \}^2 + \frac{\lambda}{2} ||w||
$$

sageへの入力:
#pre{{
# lasso回帰
# http://d.hatena.ne.jp/smly/20100630/1277904761
# を参考にlasso回帰を実施
# cvx_optの宣言
from cvxopt import solvers
from cvxopt.base import matrix as _matrix
import numpy as np
#
M = 9
lim = 30.0
# 計画行列Φ
phi = _matrix([[ float(_phi(x,j).n()) for j in range(0, (M+1))] for x in X.list()]).T; 
P = _matrix(float(0.0), (2*(M+1), 2*(M+1)))
P[:M+1, :M+1] = phi.T * phi
q = _matrix(float(0.0), (2*(M+1), 1))
t = _matrix(np.matrix(t)).T
q[:M+1] = -phi.T * t
Ident = _matrix(np.identity(M+1, float))
G = _matrix([[Ident, -Ident, _matrix(float(0.0), (1,M+1))],[-Ident, -Ident, _matrix(float(1.0), (1,M+1))]])
h = _matrix(float(lim), (2*(M+1)+1,1))
# constraint (PRML ex.3.5, eq3.30)
x = solvers.qp(P, q, G, h)['x'][:M+1]
Wml = np.array(x).reshape(M+1)
print Wml
}}
sageからの出力:
#pre{{
     pcost       dcost       gap    pres   dres
 0: -7.3129e-01 -1.5730e+04  2e+04  5e-17  8e+01
 1: -1.1908e+00 -2.3198e+02  2e+02  2e-16  1e+00
 2: -1.6934e+00 -1.1863e+01  1e+01  2e-16  5e-02
 3: -1.8817e+00 -2.4425e+00  6e-01  2e-16  2e-03
 4: -1.8890e+00 -1.9346e+00  5e-02  2e-16  2e-04
 5: -1.8949e+00 -1.9100e+00  2e-02  2e-16  4e-05
 6: -1.8990e+00 -1.9027e+00  4e-03  3e-16  4e-14
 7: -1.8998e+00 -1.9009e+00  1e-03  2e-16  3e-14
 8: -1.9003e+00 -1.9005e+00  2e-04  3e-16  4e-14
 9: -1.9004e+00 -1.9005e+00  1e-04  3e-16  3e-14
10: -1.9004e+00 -1.9004e+00  1e-05  5e-16  4e-14
11: -1.9004e+00 -1.9004e+00  2e-07  2e-16  3e-14
Optimal solution found.
[  3.50668337e-01   4.72355549e+00  -5.66598952e-01  -3.33176635e+01
   5.28640500e-04   5.46111228e+01   2.04434686e+01  -9.73943631e-04
  -1.30982583e+02   8.49936038e+01]
}}

sageへの入力:
#pre{{
var('x')
f = lambda x : sum(Wml[i]*_phi(x,i) for i in range(0, (M+1)));
y_plt = plot(f(x), [x, 0, 1],  rgbcolor='red'); 
(y_plt + data_plt + sin_plt).show(ymin=-1.5, ymax=1.5);
}}

&ref(sage0-9.png);

** コメント [#y99ad97a]
#vote(おもしろかった[7],そうでもない[0],わかりずらい[0])

皆様のご意見、ご希望をお待ちしております。
- lasso回帰を追加 -- [[竹本　浩]] &new{2011-05-31 (火) 23:56:48};
- Bishop の本の式からコードを書くのに困っていた。参考にさせていただきます。姉妹書Bishop and Nancy,2008  A Matlab Companion が見つからない。 -- [[佐藤]] &new{2012-02-08 (水) 10:52:47};
- 姉妹書は、Netlab Algorithms for Pattern Recognition ISBN 1-85233-440-1 ではありませんか？　私はこれを購入しました。 -- [[竹本　浩]] &new{2012-02-08 (水) 22:57:52};
- Netlab は Neural Networks for Pattern Recognition ,C.M。Bishop(1995) ISBN 0-19-853864-2 をレファ─しています。sage/PRMLを参考にさせていただきます。 -- [[佐藤]] &new{2012-02-15 (水) 11:39:15};
- sage -ipython notebook で実行してみました。変換する時の注意点を次に書きました。http://mmays.hatenablog.com/entry/2014/09/25/001611　大変参考になります。 -- [[ysato ]] &new{2014-09-25 (木) 00:27:16};
- losso回帰 http://d.hatena.ne.jp/smly/20100630/1277904761 のブログに参考資料が見つかりません。変更されているようです。資料があると助かります。よろしくお願いします。 -- [[ysato]] &new{2014-09-26 (金) 14:26:09};
- https://github.com/PRML/PRML  PRML toolbox を見つけました。これが Bishop and Nancy(2008). PRML: A Matlab Companion に対応するものではないでしょうか。 -- [[ysato]] &new{2014-09-26 (金) 16:06:49};
- ysatoさま、貴重な情報をありがとうございます。 -- [[竹本　浩]] &new{2014-09-26 (金) 23:08:56};
- PRML toolbox は説明が無いものでした。それに対してこのページには説明が付いている。大変助かります。 -- [[ysato]] &new{2014-10-01 (水) 09:21:39};
- ysatoさま、うれしいコメントありがとうございます。 -- [[竹本　浩]] &new{2014-10-02 (木) 00:09:59};

#comment_kcaptcha

       

Site admin: anonymous

PukiWiki 1.4.7 Copyright © 2001-2006 PukiWiki Developers Team. License is GPL.
Based on "PukiWiki" 1.3 by yu-ji. Powered by PHP 5.1.6. HTML convert time: 0.003 sec.