Пред.
След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
5.8. ПРОЦЕДУРЫ МИНИМИЗАЦИИ КВАДРАТИЧНОЙ ОШИБКИ5.8.1. МИНИМАЛЬНАЯ КВАДРАТИЧНАЯ ОШИБКА И ПСЕВДООБРАЩЕНИЕВ случае ранее рассмотренных функций критерия внимание в основном было сфокусировано на выборках, классифицируемых с ошибкой. Теперь будет рассмотрена функция критерия, включающая все выборки. Там, где прежде осуществлялся предварительный поиск весового вектора а, приводящего к положительным значениям все скалярные произведения константами. Таким образом, задача нахождения решения системы линейных неравенств заменяется более строгой, но более понятной задачей определения решения системы линейных уравнений. Вид системы линейных уравнений упрощается, если ввести матричные обозначения. Пусть Тогда наша задача сводится к определению весового вектора а, удовлетворяющего уравнению
Если бы матрица У была невырожденной, то можно было бы записать равенство
то данный подход будет состоять в минимизации квадрата длины вектора ошибки. Данная операция эквивалентна задаче минимизации функции критерия, выражаемой суммой квадратичных ошибок:
Задача минимизации суммы квадратичных ошибок является классической. Как будет показано в п. 5.8.4, она может быть решена методом градиентного анализа. Простое решение в замкнутой форме можно также получить, образуя градиент
и полагая его равным нулю. Отсюда получается необходимое условие
и задача решения уравнения
где матрица размера
называется псевдообращением матрицы У. Заметим, что если матрица У квадратная и невырожденная, псевдообращение совпадаете обычным обращением. Следует также отметить, что
можно показать, что данный предел всегда существует, и Решение с наименьшей квадратичной ошибкой зависит от вектора допуска b, и будет показано, что различные способы выбора b приводят к различным свойствам получаемого решения. Если вектор b задан произвольно, то нет оснований считать, что в случае линейно разделяемых множеств решение с наименьшей квадратичной ошибкой даст разделяющий вектор. Однако можно надеяться, что в случае как разделяемых, так и неразделяемых множеств в результате минимизации функции критерия квадратичной ошибки может быть получена нужная разделяющая функция. Теперь перейдем к исследованию двух свойств решения, подтверждающих данное утверждение. 5.8.2. СВЯЗЬ С ЛИНЕЙНЫМ ДИСКРИМИНАНТОМ ФИШЕРАВ данном пункте будет показано, что при соответствующем выборе вектора b разделяющая функция
где и является вектор-столбцом из
и
Можно показать, что при определенном выборе b обнаруживается связь между решением по методу наименьшей квадратичной ошибки и линейным дискриминантом Фишера. Доказательство начнем, записав соотношение (32) для а с использованием разложенных матриц:
Определяя выборочное среднее
можно в результате перемножения матриц, входящих в (36), получить следующее выражение:
Полученное выражение может рассматриваться как пара уравнений, причем из первого можно выразить
где
Поскольку направление вектора следующее выражение:
где a — некоторая скалярная величина. В этом случае соотношение (40) дает
что, за исключением скалярного коэффициента, идентично решению для случая линейного дискриминанта Фишера. Помимо этого, получаем величину порога 5.8.3. АСИМПТОТИЧЕСКОЕ ПРИБЛИЖЕНИЕ К ОПТИМАЛЬНОМУ ДИСКРИМИНАНТУДругое свойство решения по методу наименьшей квадратичной ошибки, говорящее в его пользу, состоит в том, что при условии
Чтобы продемонстрировать данное утверждение, следует предположить, что выборки взяты независимо в соответствии с вероятностным законом
Решение по методу наименьшей квадратичной ошибки с использованием расширенного вектора у дает разложение в ряд функции
то нашей задачей будет показать, что величина Доказательство упростится при условии сохранения различия между выборками класса 1 и класса 2. Исходя из ненормированных данных, функцию критерия
Таким образом, в соответствии с законом больших чисел при стремлении функции J (а), имеющей вид
где
и
Теперь, если мы из соотношения (42) определим
то получим
Второй член данной суммы не зависит от весового вектора а. Отсюда следует, что а, которое минимизирует Данный результат позволяет глубже проникнуть в суть процедуры, обеспечивающей решение по методу наименьшей квадратичной ошибки. Аппроксимируя
|
1 |
Оглавление
|