2. +
目次
n モデルの結合
n ベイズモデル平均化とモデルの結合の違い
n モデル集合内から個々の予測を平均する(コミッティ)
n 具体的なアンサンブルのモデル例の紹介
n ブースティング
n adaboostの仕組み
n ブースティングの解釈
n 木構造モデル
n 条件つき混合モデル
n 線形回帰モデルの混合
n ロジスティックモデルの混合
n 混合エキスパートモデル
4. +
ベイズモデル平均化と
モデルの結合の違い
n ベイズモデル平均化
n p(h): どのモデルが選択されるか
n p(X|h): あるモデルを選んだときのデータ集合全体の生成
n つまり、データが多くなると一つの仮説に収束する
n モデルの結合
n 観測されたデータ点xごとに対応する潜在変数zが存在する
n 潜在変数zはどのモデルの要素なのかを示す
n ex) 混合ガウス分布
5. +
モデル集合内から
個々の予測を平均する(コミッティ)
n モデル誤差 = バイアス + バリアンス
n バイアス: モデルの性能による誤差
n バリアンス: モデルの個々のデータ点に対する感度
n バリアンスが大きくても、
平均化することで、
分散項はキャンセルし、
予測性能は改善される。
バリアンス大
バイアス小
バイアス大
バリアンス小
21. +
混合エキスパートモデル
n 混合係数それ自身が入力変数の関数
n π(x): ゲート関数
n p_k(t|x): エキスパート
n EMアルゴリズムによる最適化において、Mステップの各混合
構成要素とゲートモデルが凸最適化になる
n 階層的混合エキスパートモデル(HME)
n 混合された各構成要素それ自身が混合分布であるような混合分布
n 決定木の確率的なバージョン
n 混合密度ネットワークと近い関係