几何分布的期望和方差公式推导_GPR(高斯过程回归)详细推导
GPR(高斯过程回归)详细推导
一、综述
GPR来源于线性模型,有两种方式可以推导出GPR,一种是weight space view,另外一种是function space view。两者考察方式假设不同,关注的对象不同,但是最后导出的结果是相同的。其中,function view的推导方式更加简单,GPR最终的为了实现回归,即已知X,y,x*,求y*。最终的推导出的公式如下:
X,y是已知的数据,我们要求未知数据x*处的函数值,K是核函数。我们接下来会从weight space view和function space view两种方式推导出GPR。最后一部分是GPR的算法流程图。
参考资料:
1.《Gaussian Processes for Machine Learning》
2. https://www.bilibili.com/video/BV1aE411o7qd?p=114
3. https://zhuanlan.zhihu.com/p/75589452 (python的代码演示,包含可视化)
4. python的GPy库和MATLAB中的ooDACE里面集成有GPR
二、weight space view(将w看作变量)
我们考虑下面一个问题:
这是一个线性模型,GPR的想法就是把w看做正态分布的随机变量,求出了w的分布,就知道了y的分布。这里的ε是噪声,在推导中是必须的。如果把
ε=0就是一个无噪的预测,考虑到ε的影响就是一个有噪声的预测。
整个推导分成三部分:
1.已知w的先验分布,通过更多的数据(X,y)求得w的后验分布
2.已知w的后验分布,就能求得f*的概率分布(可以简单地理解为用
来代替)
3.将f*概率分布中均值和方差写成核函数的形式,这个形式与function space view推导出的结果一致,完成!
注:本文的所有推导前面是推导的主干部分,细致的证明在后面。
2.1 w的后验分布
如果我们已经知道了w的确定值,要预测xi处的函数值yi可以表达如下:
上述公式写出了某一点的预测值yi,如果有多个点的值需要预测,将每个点的值看作是独立的,可以得到
由于我们不知道w的分布是怎样的,我们可以假设w的先验为,p是代表先验prior的意思。
这里的p(y|X)是marginal likelihood, GPR中的超参数调节就是使得marginal likelihood最大!
由于p(y|X)与w无关,我们把w看作变量,p(y|X)是一个常量,因此
所以即为我们要求的后验概率。随着数据的增多,后验概率会逐渐地逼近w的真实概率。
证明部分:
(2-2)想要求yi的概率密度函数,可以通过概率分布的微分来求得。
所以对概率分布函数求导即可得到概率密度函数:
(2-5)这个公式为贝叶斯公式,用条件概率证明即可。
X为常量,先不看X,根据条件概率,则
(2-7)这个等式的证明不复杂,两边展开对应相等即可。上述等式成立,常数可以不用看,只要指数部分相等即可,因为常数可以通过概率密度积分为1这个条件来得到。上式等价于证明下式
所以等式左边=等式右边,得证!
2.2 f*的概率分布
我们已知了w的后验分布,结合线性关系,就能知道预测点x*的函数值
从可以看出,预测值实际上就是在w的基础上均值乘以x*,方差乘以x*Tx,这有专门的定理可以证明,一步得出,详细推导过程在本节最后。
由于原来是基底是x本身,拟合你能力有限,为了提高模型的描述能力,我们可以选择某种函数把输入的D维空间映射到N维空间,即:
注意到,我们把w看成变量的时候,phi(x)是常数,该模型对于w而言仍然是线性的,以上的结论仍然可以用。因此:
这是我们想要得到的内容:对f*的预测,但还不是最终的形式,因为此时它跟phi(x)还有关系。为了简便,我们还需做转换
证明部分:
(2-9)有一个定理可以直接证明:
2.3 核函数形式
(2-11)和(2-12)完全相同,只是换了一个形式而已,但是这样就能得到我们想要的核函数形式!
定义核函数:
所以上式可以改写为:
因为Σp为正定矩阵,所以
这样就定义了一个内积形式,这种方法被称作kernel trick。
证明部分:
三、function space view(将f看作多维随机变量)
1.对于高斯过程的基本认识
定义:高斯过程是一组随机变量的组合,任意有限个变量都服从联合高斯分布。
为了推导出GPR,我们仍然假设用贝叶斯线性回归模型和w的先验
这样就能求出均值和方差
协方差函数,即核函数,我们经常取squared exponential
2.高斯回归推导
重新整理一下,可得:
这就变成了一个已知联合高斯分布,求条件概率。这个问题有标准解法,直接套用公式即可,详细推导过程在后面(我们假设均值为0 ):
考虑到y是f(x)加上噪声,则分布为
如果噪声为0,即为noise-free的预测:
推导完成!
证明部分:
定理证明:
证明这个定理使用的是构造法,还需要用到上一章提到的一个定理,会用两次,在这里我重新写一遍:
可以根据上面上式来求得xb|a,,因为求的是条件概率,此时和a有关的量都可以看作已知量,所以:
得证!
四、GPR算法流程图
GPR的算法流程可以从上述公式中做出说明:
在GPR建模中核函数里面的参数称为超参数,调节这些超参数的标准就是最大化marginal likelihood p(y|X)。
五、数学基础
几何分布的期望和方差公式推导_GPR(高斯过程回归)详细推导相关推荐
- python 高斯烟羽模型_GPR(高斯过程回归)详细推导
GPR(高斯过程回归)详细推导 一.综述 GPR来源于线性模型,有两种方式可以推导出GPR,一种是weight space view,另外一种是function space view.两者考察方式假设 ...
- 几何分布的期望和方差公式推导_平方差公式证明推导过程及运用详解(数学简便计算方法之一)...
平方差公式是小学奥数计算中的常用公式. 通常写为:a²-b²=(a+b)x(a-b) 它的几何方法推导过程是这样的: 如下图所示,四边形ABCD和四边形DEFG为正方形,边长分别为a和b,求阴影部分 ...
- 几何分布的期望和方差公式推导_数学期望、方差、协方差
概论: 一维随机变量期望与方差 二维随机变量期望与方差 协方差 1.一维随机变量期望与方差: 公式: 离散型: E(X)=∑i=1->nXiPi Y=g(x) E(Y)=∑i=1->ng( ...
- 几何分布的期望和方差公式推导_超几何分布的数学期望与方差推导
考虑 个外表相同的物品,其中有 个同类物品与另一类的 个物品:抽取 个物品,每个物品的抽取等概率随机. 上述便是一个超几何分布(Hypergeometric Distribution)的基本模型. 抽 ...
- 几何分布的期望和方差公式推导_算法数学基础-统计学最基础之均值、方差、协方差、矩...
我们天天都可以接触很多随机现象,比如每天的天气不一样气温是我们最直接的感受,我们很难预测明天的精确问题,但是这些随机现象又体现出了一定的规律性.比如上海7月份平均35度左右,冬天的平均温度在5度左右. ...
- 几何分布的期望与方差
几何分布的期望与方差 高中数学教科书新版第三册(选修II)比原来的修订本新增加随机变量的几何分布,但书中只给出了结论:(1),(2),而未加以证明.本文给出证明,并用于解题. (1)由,知 下面用倍差 ...
- 几何分布及其期望与方差
几何分布(Geometric distribution)是离散型概率分布.其中一种定义为:在n次伯努利试验中,试验k次才得到第一次成功的机率.详细的说,是:前k-1次皆失败,第k次成功的概率. 公式: ...
- 几何分布的期望和方差
- 概率论笔记4.3常见离散型和连续型的期望与方差
4.3常见离散型和连续型的期望与方差 离散型 0-1分布 二项分布 推导时,np后面的那段式子其实是(p + q)^n,又因为 p + q == 1 所以EX = np 几何分布 证明过程中使用了级数 ...
- 泊松分布的期望和方差_表白不怕白努力,几何分布来帮忙
你跟女神表白一次成功的概率是0.2,那么你在第三次跟她表白成功的概率是多少呢?(毕竟表白一两次就成功也太没有挑战了,表白3次都不成功也疲惫了!) 以下三种离散分布看懂了就能找到正确答案! 1.二项分布 ...
最新文章
- 禅道Docker安装包发布
- [bzoj1064][Noi2008]假面舞会
- mysql事务的优点和缺点_OLTP应用之MySQL架构选型--图文教程
- Spring Cloud Alibaba【Nacos 服务治理】 高可用保证:Nacos 如何有效构建注册中心集群
- Android怎么不显示手机模型,以编程方式获取Android手机模型
- linux与windows下开发,Linux 与 Windows下开发感受
- LeetCode Convert Sorted List to Binary Search Tree(有序单链表转为平衡二叉树)
- mysql关于访问权限以及root密码修改
- 11岁美国男孩用玩具熊“黑”了国际网络安全大会
- java swing取消按钮_在Java Swing中取消选择单选按钮
- Html5 video 标签中视频有声音没画面问题解决过程
- linux informix数据库下载,Linux下informix安装及数据库迁移
- NandFlah 相关知识详解
- 远程控制软件TeamViewer
- html转邮件html格式转换,如何把电子邮件格式改成HTML格式
- Mysql基础命令语句(1)
- 异常java.net.MalformedURLException: unknown protocol: jrt
- android 环信使用方法,Android 环信的使用
- 八种方法求π的近似值
- 3D打印将对零售模式产生颠覆影响,能否抓住机遇