Index
ベイズ回帰
ベイズ (推定) 回帰は、回帰分析におけるパラメータに対して、
固定値ではなく、確率的に変動するもの (確率変数) として扱う.
- 回帰分析 #まとめ編
回帰分析からの導入
回帰分析では、回帰方程式を定め、誤差を確率変数と考えることで、
パラメータを推定していた.
- 回帰分析 #アルゴリズム編
の特徴ベクトル / (回帰関数の基底関数ベクトル) を
としておく.
予測 は、
は、各特徴 (基底関数) への重み / パラメータを表している.
各データ (訓練データ) に適用して、
と、一般化できる.
パラメータ空間
しかし、ここでは、パラメータ を確率変数として扱う、ベイズ統計の考えを導入してみる.
データに対して、適切な値を設定したいパラメータは、変動することによって評価が変わってくる.
つまり、変動する幅、空間があると考えれば、パラメータ空間という考えも肯けるのではないか.
上は、パラメータ空間とデータ空間の 2 つの空間を確認している.
目的変数の分布 / 予測分布 / 条件付き確率分布
パラメータに空間を考えてみたが、だからなんだというのか.
結局大事な目的は、予測なのである.
パラメータ空間を考えたことによる、予測値についての考えがどうなったのかを考えよう.
ということは、(パラメータ と考えて、) パラメータ が決定した後で、観測 が得られる 条件付き確率分布を 仮定したとも考えられる.
- 条件付き確率
パラメータ が定まれば、 が定まり、 の分布が仮定されていれば、
観測値 の分布も考えることができる.
パラメータの分布 / 事前分布
パラメータを確率変数と考えてみているので、事前分布と事後分布で、分けて考えることができる.
パラメータ が、確率分布 を持つ確率変数であるとしよう.
パラメータの分布 / 事後分布
事前分布を考えたのだから、次は事後分布だ.
ベイズ回帰
回帰モデルのパラメータを最尤推定によって、決める場合、
モデル (回帰方程式) の複雑さをデータサイズに依存して、
適切に決めることが重要となる.
そこで、回帰モデルをベイズ的に取り扱うことにし、過学習を回避すると共に、
訓練データだけから、モデルの複雑さを自動的に決定する.
事後分布の更新・推定 / 逐次ベイズ学習
逐次ベイズ学習
ガウス過程回帰
ガウス過程回帰とは、データから関数 の確率分布をガウス過程の形で求める方法.