ガウス過程回帰モデル
観測される目標変数の値に含まれるノイズを考えます。
ここで、です。
は番目の観測値に加えられるノイズで、それぞれの観測値に対して独立で、ガウス分布に従うとします。
ここで、はノイズの精度を表す超パラメータです。
ノイズは各データ点に対して独立に決まるため、が与えられた下での
目標値の同時分布は以下の等方的なガウス分布に従います。
ここで、はの単位行列です。
ガウス過程の定義より、周辺分布は、平均がで共分散がグラム行列で与えられるガウス分布となります。
は以下の公式を使えば、積分計算せずに求まります。
のとき、
が成り立ちます。
のように当てはめると、以下が成り立ちます。
ここで、です。
予測分布
訓練集合として入力と、対応するが与えられているときに、
新しい入力ベクトルに対する目標変数を予測したいものとします。
そのためには、を求めればよいです。
PRMLに倣って、表記を簡単にするために、への依存を省略し、
をと書くことにします。
まず、を求めます。とします。
今までの議論同様に、以下の式が成り立ちます。
ここで、
です。
ここで以下の公式(条件付きガウス分布)を用います。
とした、同時ガウス分布があります。
は以下のようにブロック化されているとします。
この時、以下の条件付き分布の式が成り立ちます。
と当てはめると、
となります。
が予測分布です。
下図にガウス過程を適用した結果を示します。
一点鎖線は、ガウス過程による予測分布の平均を、そこから標準偏差の2倍までの領域が影の付いた領域で示しています。
右の方に行くに従って、不確かさが大きくなっていくことがわかります。
偉人の名言
もっとやれば、もっとできる
ウィリアム・ヘイズリット
動画
なし