Студопедия
Случайная страница | ТОМ-1 | ТОМ-2 | ТОМ-3
АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатика
ИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханика
ОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторика
СоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансы
ХимияЧерчениеЭкологияЭкономикаЭлектроника

Линейная модель числовой зависимости. Центрированная и нормированная обучающая совокупность

Читайте также:
  1. ATTENTION!! тут не описано как проверять партиклы! только модель с текстурами
  2. F) Бинарная модель
  3. III. ДИСТРИБУТИВНАЯ МОДЕЛЬ
  4. Wave 3 – новый флагман платформы bada на свежей версии 2.0. Модель в цельнометаллическом корпусе из анодированного алюминия и с большим (4”) экраном Super AMOLED.
  5. XXII. Модель «К» и отчаянный риск
  6. АЛГЕБРА и линейная алгебра
  7. Анализ привлекательности отрасли. Модель 5 конкурентных сил Портера.

Продолжим рассмотрение идеальной ситуации, когда вектор действительных признаков , , погружает множество реальных объектов в конечномерное линейное пространство (раздел 1.5). Однако будем говорить о задаче восстановления числовой зависимости, когда множество значений скрытой характеристики объектов есть числовая ось , а модель зависимости ищется в линейном виде

.

Если задана обучающая совокупность , то задача оценивания линейной модели зависимости в условиях излишне большого множества числовых признаков объектов , , может быть сформулирована как задача построения модели гребневой регрессии, заключающаяся в совместной взвешенной минимизации остаточной суммы квадратов ошибок и так называемого гребневого регуляризующего штрафа , где – коэффициент баланса между этими взаимно противоречивыми требованиями. Однако очевидно, что гребневой штраф имеет смысл, только если обучающая совокупность центрирована и нормирована:

В противном случае регуляризующий штраф должен быть идтвтдуальным для каждого признака , чтобы компенсировать различие масштабов их измерения.

Если – исходная обучающая совокупность, то она может быть нормализована следующим образом:

.

Обратно, если по нормализованной обучающей совокупности найдена регрессионная модель , то ее следует пересчитать в исходные шкалы, в которых естественным образом измерены признаки нового объекта . Согласно , поэтому

В предположении, что обучающая совокупность центрирована и нормирована, задача гребневого обучения (Ridge Regression) примет следующий вид:

.

Критерий гребневой регрессии содержит два структурных параметра – гребневой штраф и подмножество признаков . Выбор первого из них не составляет серьезной проблемы, достаточно принять достаточно малое значение с единственной целью гарантировать строгую выпуклость критерия обучения в случае возможной линейной зависимости подвекторов признаков в . Однако что качается выбора подмножества , то это очень трудная задача.

Оценить «качество» конкретного подмножества признаков можно по методу скользящего контроля, который для квадратичного критерия допускает простую численную реализацию [[7]], основанную на известной матричной формуле (Sherman-Woodbury-Morrison formula) [[8]]. Однако перебрать все подмножеств все равно невозможно.


Дата добавления: 2015-10-26; просмотров: 120 | Нарушение авторских прав


Читайте в этой же книге: Диполь в метрическом пространстве | Концепция оптимальной разделяющей гиперплоскости в пространстве действительных признаков объектов и классический метод опорных векторов | Вероятностная постановка задачи обучения распознаванию двух классов объектов посредством выбора разделяющей гиперплоскости | Априорные и апостериорные вероятности классов объектов | Независимые совместные априорные нормальные-гамма распределения элементов направляющего вектора и их дисперсий | Алгоритм обучения с заданной селективностью отбора признаков |
<== предыдущая страница | следующая страница ==>
Двойственная задача обучения| Общий вид функции Лагранжа

mybiblioteka.su - 2015-2024 год. (0.005 сек.)