13. €
3.2 バイアスーバリアンス分解
バイアスとバリアンスのトレードオフについて
1 N
(bias ) 2 = ∑ y (x n ) − h (x n )
N n =1
{
正規化係数λ→大:
パラメータが0に近づく
€
bias→大 variance→小
正規化係数λ→小:
ノイズにover-‐fiKng
bias→小 variance→大
}
2
1 N 1 L (l )
var iance = ∑ ∑ y (x n ) − y (x n )
N n =1 L l
{
}
2
18. 3.3 ベイズ線形回帰
・対数尤度関数
β N
ln p (w |t) = − ∑ tn − w T φ (x n )
2 n =1
{
λ=
€
}
2
α T
− w w + const
2
α
β
事後分布をwについて最大化することは,
P.142
€
二乗和誤差関数と二次正則化項の和の最小化と等価
式3.27
25. 3.3.2 予測分布
予測分布の導出
目標変数の条件付き分布
T
p (t x
, β) = Ν ty (x
), β −1 = Ν t w
φ (x
, β −1
,w
,w
)
(
)
(
重みの事後分布
€
p w
= Ν w
N ,S N
t
m
( )
(
)
P.151
式(3.49)
下記の予測分布を求めたい
€
€
p t x
, α, β
,t
(
)
P.155
式(3.58)
)
P.138 式(3.8)
26. 3.3.2 予測分布
用いる式
p(x ) = Ν(x µ,Λ−1 )
(
(
)
p (y x ) = Ν y Ax + b, L−1
−1 T
)
の時
p (y ) = Ν x Aµ + b, L + AΛ A
€
€
x
t
,t
→w
,y →t x
α, β
T −1
€
p w
= Ν (w
N ,S N )
t
m
p (t x
, α, β) = Ν t w
φ (x
, β
,w
)
−1
( )
T
µ → m N ,Λ−1 →S N , x →w
, A → φ (x ), L−1 → β
T
T
−1
p t x
, α, β = Ν t €N φ (x ), β +φ (x ) S N φ (x )
,t
m
€
€
(
€
€
)
(
(
)
)
P.155
式(3.58)