Recommended
More Related Content
What's hot
What's hot (20)
More from y-uti
More from y-uti (20)
Recently uploaded
Recently uploaded (9)
スパース推定
- 1. スパース推定 統計数理研究所 公開講座 参加報告 内山 雄司 (@y__uti) 2017-07-19 社内勉強会
- 2. 自己紹介 内山 雄司 (@y__uti) ◦ http://y-uti.hatenablog.jp/ (phpusers-ja) 仕事 ◦ 受託開発の会社 (株式会社ピコラボ) でプログラマをしています 興味 ◦ プログラミング言語処理系 ◦ 機械学習 2017-07-19 社内勉強会 2
- 3. 公開講座の情報 講座名 スパース推定 日時 2017 年 7 月 4 日 (火) 10:00 ~ 16:00 講師 川野秀一先生 (電気通信大学) 受講料 5,000 円 (税込) URL http://www.ism.ac.jp/lectures/kouza.html ちなみに ◦ 定員 100 名のところ 170 名くらいの応募があり抽選 ◦ 昨年も抽選で人気講座とのこと 2017-07-19 社内勉強会 3
- 4. 公開講座の内容 スパース推定法の説明 ◦ Lasso の説明 ◦ さまざまなスパース推定法 (Lasso の拡張) 多変量解析への応用 スパース推定アルゴリズム 正則化パラメータの選択方法 詳細はレジュメで ◦ 内山の机上に置いてあります 2017-07-19 社内勉強会 4
- 5. スパース推定とは 線形回帰などの問題におけるパラメータ推定法の一つ 推定されるパラメータベクトルが 疎 = スパース になる スパース推定は 特徴選択 を同時に実行していると解釈できる 高次元小標本データ に適した手法 2017-07-19 社内勉強会 5
- 6. 低次元なデータでの例 ◦ 平面上に 100 個のサンプルデータを生成 2017-07-19 社内勉強会 6 X = np.random.uniform(-10, 10, (100, 2)) ◦ 重みベクトルを [2, -1] としてノイズを加えて目的変数を生成 w = np.array([2, -1]).reshape(-1, 1) y = X.dot(w) + np.random.normal(0, 1, (100, 1)) このデータを線形回帰で予測する
- 7. Ridge 回帰 (スパースではない手法) sklearn.linear_model.Ridge を利用してパラメータ推定 2017-07-19 社内勉強会 7 ridge = Ridge(fit_intercept=False) ridge.fit(X, y)
- 8. Lasso (スパース推定手法) sklearn.linear_model.Lasso を利用してパラメータ推定 2017-07-19 社内勉強会 8 lasso = Lasso(fit_intercept=False) lasso.fit(X, y)
- 9. 10 次元の場合 ◦ 10 次元の空間上に 100 個のサンプルデータを生成 2017-07-19 社内勉強会 9 X = np.random.uniform(-10, 10, (100, 10)) ◦ 適当な重みベクトルを定めてノイズを加えて目的変数を生成 w = np.array(np.exp(-np.arange(0, 10) * 2)).reshape(-1, 1) y = X.dot(w) + np.random.normal(0, 1, (100, 1)) 重みベクトルの次元ごとの値
- 10. パラメータ推定結果 Ridge 回帰と Lasso でパラメータ推定を行う 2017-07-19 社内勉強会 10 ◦ Ridge 回帰では各次元に小さな値が残る ◦ Lasso では小さな値は 0 に落ちる ⇒ 特徴選択
- 11. 50 次元 2017-07-19 社内勉強会 11
- 12. 100 次元 2017-07-19 社内勉強会 12
- 13. 200 次元 2017-07-19 社内勉強会 13 ◦ 縦軸のスケールが異なっていることに注意
- 14. 500 次元 2017-07-19 社内勉強会 14 ◦ 縦軸のスケールが異なっていることに注意
- 15. 1,000 次元 2017-07-19 社内勉強会 15 ◦ 縦軸のスケールが異なっていることに注意
- 16. 正則化項の効果 (Ridge) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 16
- 17. 正則化項の効果 (Ridge) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 17
- 18. 正則化項の効果 (Ridge) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 18
- 19. 正則化項の効果 (Ridge) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 19
- 20. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 20
- 21. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 21
- 22. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 22
- 23. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 23
- 24. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 24
- 25. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 25
- 26. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 26
- 27. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 27
- 28. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 28
- 29. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 29
- 30. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 30
- 31. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 31
- 32. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 32
- 33. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 33
- 34. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 34
- 35. 正則化項の効果 (Lasso) 1,000 次元での例 ◦ 正則化項が大きい 原点に近付く ◦ 正則化項が小さい 最小二乗解に近付く 2017-07-19 社内勉強会 35
- 36. 正則化項による解の変化 最初に作った二次元での例 ◦ 正則化項なしの場合は (2.0, -1.0) あたりが解になる 2017-07-19 社内勉強会 36
- 49. 様々なスパース推定法 欲しい性質に合わせた図形を設計して使えるのでは？ ◦ Elastic Net ◦ Fused Lasso ◦ などなど (公開講座のレジュメで様々な方法が紹介されています) 高速な求解アルゴリズムの構築が現実的には重要 2017-07-19 社内勉強会 49