Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

{{TOCright}} Для фиксированной регрессионной модели исследуется скорость сходимости параметров и гиперпараметров при ее настройке через двухуровневый байесовский вывод. =Постановка задачи= Рассмотрим следующую модель регрессии, описывающую связь между свободной и зависимой переменными: <center><tex>\mathbf{y} = f(\mathbf{x}, \mathbf{w}) + \mathbf{\varepsilon}</tex></center> Пусть случайная величина <tex>\mathbf{\varepsilon}</tex> имеет нормальное распределение <tex>\mathbf{\varepsilon} \in N(0, \sigma^2)</tex>. Вектор параметров модели <tex>\mathbf{w}</tex> рассматривается как многомерная случайная величина. Пусть плотность распределения параметров имеет вид многомерного нормального распределения <tex>N(\mathbf{0}, A)</tex> с матрицей ковариации <tex>A</tex>. Рассматриваются 3 типа моделей: 1) модель полиномиальной регрессии <tex>y=\sum_{i=1}^na_ix^{i-1}</tex> 2) модель <tex>y = a + b\, ln x</tex> 3) модель <tex>y = a + \frac{b}{x}</tex> 4) модель <tex>y = a + b\, e^{-cx}</tex> 5) модель трехпараметрического распределения Вейбулла <tex>y=abx^{b-1}\exp(-a(x-c)^b)</tex> 6) модель с тригонометрическими функциями <tex>y=a_0+\sum_{i=1}^n\bigl(a_i\cos(i\omega{x})+b_i\sin(i\omega{x})\bigr)</tex> Для каждой модели происходит настройка через двухуровневый байесовский вывод. Требуется проанализировать изменение параметров и гиперпараметров по мере настройки в каждой модели.

• Шаблон:Mbox
• Шаблон:TOCright
• Шаблон:Tip
• Шаблон:Well
• Шаблон:ЗаданиеВыполнено
• Шаблон:Хозяйке на заметку

Возврат к странице Исследование скорости сходимости параметров и гиперпараметров (пример).