Apprentissage automatique

** Qu'est-ce que l'apprentissage automatique **

On dit que les programmes informatiques mesurent la tâche T avec l'indice de performance P et, si ses performances sont améliorées par l'expérience E, apprennent de l'expérience E en ce qui concerne la tâche T et l'indice de performance P (Tom Mitchell 1997).

・ Supposons que vous saisissiez des données dans un programme informatique et résolvez la tâche T. ・ La sortie Y1 est émise lorsque des données inconnues sont entrées. ・ La sortie Y1 peut être mesurée par l'indice de performance P ・ Entrer de nouvelles données et sortir Y2 ・ Si Y2 est amélioré par rapport à Y1 lorsque mesuré par l'indice de performance P, on peut dire que ce programme informatique a appris.

** Régression linéaire **

1. ** Problème de retour **

• Variable explicative (entrée) $ x = (x_1, x_2, ・ ・ ・, x_m) ^ T \ dans ℝ ^ m $
• Variable objective (sortie) $ y \in ℝ^1$

2. ** Modèle de régression linéaire **

• L'un des modèles d'apprentissage automatique pour résoudre les problèmes de régression
• Enseignement supervisé
• Un modèle qui produit une combinaison linéaire de paramètres d'entrée et de m dimensions
• Ajouter un chapeau à la valeur prédite (distinguer de y dans les données de l'enseignant)

3. ** Connexion linéaire ** -La somme des produits internes du paramètre inconnu w et de l'entrée x ・ Ajouter la section w_0 (section = intersection avec l'axe y, a pour effet de se déplacer en parallèle vers l'axe y) ・ Même si le vecteur d'entrée $ x_j $ est multidimensionnel, la sortie sera unidimensionnelle (scalaire).

4. ** Paramètres du modèle ** ・ Ensemble de poids $ w_j $ (Comment le montant de la caractéristique affecte la zone prévue) ・ Estimer le meilleur gradient par la méthode du carré minimum
   

• ~ Pour un modèle de régression simple (variable explicative m = 1) ~ * $ y = w_0 + w_1x_1 + \epsilon $ $ (variable objective = section + coefficient de régression x variable explicative + erreur) $ ** Équations simultanées ** $y_1 = w_0 + w_1x_1 + \epsilon_1 $ $y_1 = w_0 + w_1x_2 + \epsilon_2 $ $y_1 = w_0 + w_1x_n + \epsilon_n $ ** Représentation matricielle ** $ y = Xw + \epsilon $
• ~ Pour le modèle de régression multiple (variable explicative m> 1) ~ * $ y = w_0 + w_1x_1 + w_2x_2 + \ epsilon $ etc.

** Répartition des données **

• Mesurer les performances de généralisation (bonne précision pour les données inconnues)

• Modèle de régression linéaire
  

• Erreur quadratique moyenne (somme des carrés résiduels)
  
• Somme de l'erreur quadratique des données et du modèle
  
• Dépend uniquement des paramètres
  $ MSE_{train} = \frac{1}{n_{train}} \sum_{i=1}^{n_{train}}(\hat{y_i}^{(train)} - y_i^{(train)})^2 $

• Méthode du carré minimum
  

• Recherche de paramètres qui minimisent l'erreur quadratique moyenne des données d'entraînement (gradient 0 = minimum)
  

• À propos du point minimum MSE = $ \ hat {w} $ dans w espace Lorsque $ \ frac {\ partial} {\ partial {w} MSE_ {train}} = 0 $ (le point où MSE devient w = 0 par la différenciation par rapport à w) est calculé, ...
  

• ** Coefficient de régression ** $ \hat{w} = (X^{(train)T}X^{(train)})^ {-1}X^{(train)T}y^{(train)} $ La valeur prédite $ \ hat {y} est le produit interne $ du coefficient de régression \ hat {w} et de la variable explicative x, donc ...
• ** Valeur prédite ** $\hat{y} = X(X^{(train)T}X^{(train)})^ {-1}X^{(train)T}y^{(train)}$

** Modèle de régression non linéaire **

1. Fonction de base $ y_i = f(x_i) + \epsilon_i $ Une fois que x est délinéarisé par une application linéaire $ \ phi , le produit interne avec w est obtenu. $ y_i = w_0 + \sum_{i=1}^{m} w_i\phi_j(x_i) + \epsilon_i $$ Exemples de fonctions de base: fonctions polymorphes, fonctions de base gaussiennes, fonctions de spline (B), etc.

2. Régression non linéaire basée sur une fonction de base unidimensionnelle

• Polygone (1er au 9ème ordre)
  $\phi_j = x^j$
  
• Base gaussienne
  $ \phi(x) = exp{\frac{(x - \mu_j)^2}{2h_j}}$

• Puisqu'il est sous la forme d'une distribution normale, il devient 1 lorsqu'il est intégré. ――L'emplacement moyen de la distribution normale et l'étendue d'une montagne sont définis par un paramètre appelé bande passante → Peut être utilisé pour une fonction de base bidimensionnelle

3. Régression non linéaire basée sur une fonction de base bidimensionnelle

• Fonction de base gaussienne bidimensionnelle $\phi_j(x) = exp{\frac{(x - \mu_j)^T(x - \mu_j)}{2h_j}}$

• Les fonctions de base peuvent être placées dans l'espace de données

4. Méthode d'expansion de base

• Variable explicative $ x_i = (x_ {i1}, x_ {i2}, ・ ・ ・, x_ {im}) \ in ℝ ^ m $ Convertissez les variables explicatives en vecteur de fonction de base (convertissez x avec K préréglages $ \ phi $), et ...
• Vecteur de fonction non linéaire (vecteur de caractéristiques K-dimensionnel) $ \ phi (x_i) = (\ phi_1 (x_i), \ phi_2 (x_i), ・ ・ ・, \ phi_k (x_i)) ^ T \ in ℝ ^ k $ Puisqu'il y a n i (données d'apprentissage), n vecteurs de paramètres à k dimensions apparaîtront si le mappage est utilisé comme données d'apprentissage. Cela donne la matrice de planification
• Matrice de planification $ \ Phi ^ {(train)} = (\ phi (x_1), \ phi (x_2), ・ ・ ・, \ phi (x_n)) ^ T \ in ℝ ^ {n * k} $ Après cela, trouvez la valeur prédite en utilisant la méthode la plus probable
• Valeur prédite $\hat{y} = \Phi(\Phi^{(train)T}\Phi^{(train)})^ {-1}\Phi^{(train)T}y^{(train)}$

5. Superapprentissage et désapprentissage

• En cas de sous-ajustement ,,,
  Faible expressivité du modèle $ \ rightarrow $ Utiliser un modèle expressif élevé
• En cas de surajustement ,,,
  Augmenter les données d'entraînement / Supprimer les fonctions de base inutiles (variables) / Régularisation

** Régularisation **

1. Méthode de régularisation (méthode de pénalisation)
   Donner des pénalités pour réduire la complexité du modèle 　$ S\gamma = (y - \Phi w)^T(y - \Phi w) + \gamma R(w) $

2. Rôle du terme de régularisation R

• Non R ・ ・ ・ Estimation du carré minimum
  
• Norme L2 ・ ・ ・ Quantité d'estimation de la crête (○ type, estimation réduite)
  Contraignez le paramètre près de l'origine et recherchez le point qui minimise MSE dans la contrainte
• Norme L1 ・ ・ ・ Estimation au lasso (type ◇, estimation clairsemée)
  Le point de contact qui minimise MSE est Kado, et certains paramètres ($ w_1 $) sont estimés à exactement 0. Les bases et les variables inutiles peuvent être éliminées au stade de l'estimation (lorsqu'il y a de nombreuses variables explicatives, il est utile de fixer la variable qui a un petit effet sur la prédiction à 0 dans une estimation)

3. Paramètre $ \ gamma $ = Taille de la surface de contrainte Rendre $ \ gamma $ plus petit → Augmenter la surface de contrainte Augmenter $ \ gamma $ → diminuer la surface de contrainte

4. Choisir le bon modèle

• Méthode Holdout
  S'il n'y a pas beaucoup de données, cela ne donnera pas une bonne évaluation des performances
• Validation croisée
  Divisé pour l'apprentissage et l'évaluation pour chaque itérateur
  Même si la précision moyenne = valeur CV est inférieure au modèle vérifié par holdout, les performances de généralisation ne sont pas nécessairement élevées.

** Retour logistique **

1. Problème de classification ** Variable explicative (entrée) ** $ x = (x_1, x_2, ・ ・ ・, x_m) ^ T \ dans ℝ ^ m $ ** Variable objective (sortie) ** $ y \in \{0, 1\}$
2. Modèle de régression logistique

• L'un des modèles d'apprentissage automatique pour résoudre les problèmes de classification
• Enseignement supervisé
• Combinaison linéaire de sortie des paramètres d'entrée et m-dimensionnels à la fonction sigmoïde
• La sortie sera la valeur de la probabilité que y = 1
  ** Données enseignants ** $ {(x_i, y_i) ; i = 1, ... , n} $ ** Paramètres ** (même nombre de dimensions que les variables d'entrée) $ w = (w_1, w_2, ... , w_m)^T \in ℝ^m $ ** Jointure linéaire ** (produit interne du paramètre inconnu w et de l'entrée x) $\hat{y} = w^Tx + w_0 = \sum_{j = 1}^{m} w_jx_j + w_0 $

3. Fonction Sigmaid

• L'entrée est réelle
• La sortie est 0-1
• Lorsque le paramètre a augmente, la pente de la courbe près de x = 0 augmente.
• Les changements de biais modifient la position du pas $ \sigma(x) = \frac{1}{1 + exp(-ax)}$
• Propriétés de la fonction sigmoïde

• Différenciation facile
• Dans l'estimation des paramètres du modèle, il est nécessaire de trouver les points qui minimisent et maximisent des critères tels que l'EQM et la vraisemblance → Il est avantageux de pouvoir différencier facilement $ \ frac {\ partial \ sigma (x)} {\ partial x} = \ frac {\ partial} {\ partial x} \ biggl (\ frac {1} {1 + exp (-ax)} \ biggr) \\ = (-1) ・ \ {1 + exp (-ax) \} ^ {-2} ・ exp (-ax) ・ (-a) \\ = \ frac {a ・ exp (-ax)} { \ {1 + exp (-ax) \} ^ 2} = \ frac {a} {1 + exp (-ax)} ・ \ frac {1 + exp (-ax) --1} {1 + exp (-ax) )} \\ = a \ sigma (x) (1- \ sigma (x)) $

4. Formulation de la régression logistique $ P(Y = 1|x) = \sigma(w_0 + w_1x_1 + ... + w_mx_m) $ $ (Probabilité que Y = 1 lorsque la variable explicative x est donnée) (Connexion linéaire aux paramètres de données) $
5. Distribution de Bernoulli

• Un des divers modèles de distribution tels que la distribution normale
• Distribution de probabilité discrète (probabilité p → 1, probabilité 1-p → 0)
  Probabilité de $ y = y_1 $ dans un essai $P(y)=p^y(1-p)^{1-y}$

6. Estimation la plus probable (quel est le P le plus probable?)

• Probabilité simultanée
  Chaque variable de probabilité est indépendante → multiplication des probabilités

** Probabilité de $ y_1 $ ~ $ y_n $ ** simultanés dans n essais $ P (y_1, y_2, ..., y_n; p) = \ prod_ {i = 1} {n} p ^ {y_i} (1-p) ^ {1-y_i} $ ($ P, y_i $ Est connu)

• Fonction responsabilité
  

• Probabilité = Probabilité d'extraire un échantillon spécifique $ x_k $ du groupe cible $ \ mu $
• La valeur logarithmique de probabilité = fonction de vraisemblance
• Le choix d'un paramètre qui maximise la fonction de vraisemblance est appelé estimation de vraisemblance. Fonction de probabilité lorsque des données de $ y_1 $ ~ $ y_n $ sont obtenues $ P (y_1, y_2, ..., y_n; p) = \ prod_ {i = 1} {n} p ^ {y_i} (1-p) ^ {1-y_i} $ ($ P est inconnu) , Y_i $ est connu)

7. Fonction de vraisemblance logarithmique

• L'addition et la soustraction sont plus faciles à calculer que de répéter la multiplication de valeurs complexes
  → Prendre le logarithme et convertir la multiplication en addition
• La fonction de vraisemblance est maximisée avec le même coefficient w qu'avant la logarithmisation (la fonction logarithmique augmente de manière monotone)
  → Cet optimal w est appelé l'estimation la plus probable (solution optimale locale ou globale)
• Minimisez la fonction de vraisemblance multipliée par moins et combinez-la avec la minimisation de la méthode des moindres carrés
  → Méthode de descente de gradient $E(w_0, w_1, ... , w_m) = -logL(w_0, w_1, ... , w_m) = \sum_{i=1}^{n}\{y_i log p_i + (1 - y_i) log(1 - p_i)\}$
• Entropie croisée (fonction de vraisemblance de type log négatif)

• Mettre à jour la fonction d'apprentissage avec la mauvaise probabilité

8. Méthode de descente de gradient

• Approche de mise à jour séquentielle des paramètres (par ordinateur) par apprentissage itératif
• $ \ eta $ est un hyper paramètre appelé taux d'apprentissage qui ajuste la facilité de convergence des paramètres du modèle.
• La différenciation des paramètres MSE peut être calculée analytiquement. $w^{(k+1) = w^{(k)} + \eta \sum_{i=1}^{n}(y_i - p_i)x_i}$ Dans la méthode de descente de gradient, il est nécessaire de trouver la somme de toutes les N données pour la mise à jour des paramètres.
  → Il y a des problèmes tels qu'une mémoire insuffisante et un temps de calcul énorme.

9. Méthode de descente de gradient probabiliste (SGD)

• Sélectionnez au hasard (de manière probabiliste) les données une par une et mettez à jour les paramètres
• Étant donné que le paramètre peut être mis à jour n fois avec la même quantité de calcul que la mise à jour du paramètre une fois par la méthode de descente d'achat, la solution optimale peut être recherchée efficacement.
• Les mises à jour des paramètres sont dans une certaine mesure irrégulières (par rapport à la méthode de descente de gradient), et il est difficile de tomber dans une solution localement optimale proche de la valeur initiale (cela n'a pas beaucoup d'importance car il n'y a qu'un seul pic de régression logistique). $w(k+1) = w^k + \eta (y_i - p_i)x_i$

10. Évaluation du modèle

• Matrice de confusion
• Résultats des données de validation: résultats de prédiction du modèle

• TP (vrai positif) = ○: ○, correct positif
• FP (faux négatif) = ×: ○, faussement positif (possible de rendre anormal une personne normale)
• FN (faux positif) = ○: ×, faussement négatif (normalement confondu avec une personne anormale)
• TN (vrai négatif) = ×: ×, correctement négatif

• Taux de réponse correct $\frac {TP+TN}{TP+FN+FP+TN}$
• Rappel

• Pourcentage de "vraiment positifs" qui peuvent être prédits comme positifs
• Exemple: dépistage des maladies (la surveillance est NG) $\frac{TP}{TP+FN}$

• Précision

• Le pourcentage de ce que le modèle prévoit comme positif est "vraiment positif"
• Spam mail (certains oublis sont acceptables) $\frac{TP}{TP+FP}$

• Valeur F

• Moyenne harmonisée de rappel et de précision

Analyse en composantes principales (ACP)

1. Compression dimensionnelle

• Compresser la structure des données multivariées en un plus petit nombre d'indicateurs

• Je souhaite réduire au maximum la perte d'informations
• Peut être analysé et visualisé avec un petit nombre de variables (environ 2 ou 3 dimensions)

• Données d'entraînement $ x = (x_1, x_2, ・ ・ ・, x_m) ^ T \ dans ℝ ^ m $
• Moyenne (vecteur) $ \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i $
• Matrice de données $ \ bar {X} = (x_1- \ bar x, ..., x_n- \ bar x) ^ T \\ (je vais le centrer pour qu'il soit distribué autour de l'origine) $
• Matrice co-distribuée distribuée $ \sum = Var(\bar{X}) = \frac1n \bar{X}^T \bar{X}$
• Vecteur après conversion linéaire $ s_j = (s_{1j}, ... , s_{nj})^T = \bar{X}a_j$ $a_j \in ℝ^m $

• (Paramètre inconnu w de n données converties par le commun a → s)
• (J est le nombre de dimensions de la destination de conversion 3 dimensions → 1 ou 2 dimensions, etc., index de l'axe)

• La perte d'informations peut être supprimée en maximisant la distribution des données converties $ s_j $
  

• Recherche d'un axe cartographique qui maximise la dispersion des variables après transformation linéaire
  

• Dispersion après transformation linéaire $Var(s_j) = \frac1n s^T_j s_j \\ = \frac1n (\bar{X}a_j)^T (\bar{X}a_j) \\ = \frac1n a^T_j \bar{X}^T \bar{X} a_j \\ = a^T_j Var(\bar{X}) a_j $

2. Problème d'optimisation des contraintes

• Insérez une contrainte que la norme est 1 (sans la contrainte, il y a des solutions infinies)
• Fonction objective $ arg max a ^ T_j Var (\ bar {X}) a_j \\ a \ in ℝ ^ m \\ (Valeur de distribution de la destination de conversion) $
• Contraintes $ a^T_j a_j =1 $
• Fonction Lagrange $ E(a_j) = a^T_j Var(\bar{X}) a_j - \lambda(a^T_j a_j - 1)$ Fonction de Lagrange = fonction objectif-multiplicateur de Lagrange x condition de contrainte $ (trouver le point à maximiser par rapport à a) $

• Différenciation $\\ \frac{\partial E(a_j)}{\partial a_j} = 2 Var(\bar{(X)}a_j - 2 \lambda a_j = 0)$
• Solution
• Valeur propre = forme de vecteur propre $ Var(\bar{X} a_j = \lambda a_j)$
• La variance de la destination de projection correspond à la valeur propre $Var(s_1) = a_1^T Var(\bar{X}) a_1 = \lambda_1 a_1^T a_1 = \lambda_1 $

3. Taux de cotisation

• Combien d'informations ont été perdues à la suite de la compression des dimensions
• La somme des valeurs propres correspond à la distribution des données dans l'espace d'origine $ V_{total} = \sum^{m}_{i=1} \lambda_i $ Distribution totale des données originales = distribution totale des principaux composants
• Taux de contribution: Le rapport de la dispersion d'un certain axe (kème composante principale) à la dispersion totale
• Taux de cotisation cumulé: pourcentage de perte d'information une fois compressé au composant principal de 1 k $c_k = \frac{\lambda_k}{\sum_{i=1}^{m}\lambda_i} $ = (Dispersion du kème composant principal) / (Dispersion totale du composant principal) $c_k = \frac { \sum_{j=1}^{k} \lambda_j}{\sum_{i=1}^{m}\lambda_i} \\ $ = (Dispersion des 1er à k composants principaux) / (Dispersion totale des composants principaux)

Méthode de voisinage K

• K-means

1. Définissez la valeur initiale du centre du cluster
2. Pour chaque point de données, calculez la distance à chaque centre de cluster et attribuez le cluster le plus proche
3. Calculez le vecteur moyen (centre) de chaque cluster
4. Répétez quelques étapes jusqu'à ce qu'il converge --Si vous modifiez la valeur initiale du centre, le résultat du clustering changera également. Le résultat change même si la valeur de K est modifiée