概要
今回は、以下の記事を経て導出した結果
を使って、ガウス過程による回帰を実験してみました。
www.iwanttobeacat.com
www.iwanttobeacat.com
www.iwanttobeacat.com
ガウス過程による回帰の実験結果
早速結果です。カーネル関数はガウスカーネルを使いました。また、予測分布も求めてみました。
カーネルを用いた回帰でも、カーネル回帰分析(2)実験結果とはずいぶん傾向が違いますね。今回の訓練データの場合では、ガウスカーネルでなくても、多項式モデルからを計算してもちゃんと予測分布が求められました。事前分布のパラメータの定数倍を微調整する必要がありましたが。ちなみに、線形回帰をベイズ推定で解く(2)予測分布をプロットで求めた予測分布は、線形モデルのパラメータの事前分布を設定し、訓練データから事後分布を求め、について積分することで予測分布を求めていました。ガウス過程による回帰も、出発点はパラメータの事前分布を設定することでしたが、考え方がいろいろあって面白いですね。
ガウスカーネルの分散を小さくしてみたら面白い結果になりました。
ガウスカーネルの分散が小さいということは、隣の訓練データの影響が小さくなるのでいびつな回帰曲線になってしまうんですね。
サンプリング
ガウス過程で実験してみたようにサンプリングしてみました。
左がガウス過程の記事でサンプリングした結果。の期待値は0でしたから、0付近をうろうろした結果となっています。一方で平均値が式(1)で求められた右のサンプリングはどれも訓練データである正弦波を再現するようなサンプリングとなりました。
今回のコードです。
import matplotlib.pyplot as plt
import numpy as np
from matplotlib import cm
def k(x0, x1):
sigma = 0.3
return np.exp(-(x0 - x1) ** 2 / (2 * sigma ** 2))
def gram_matrix(x):
gram = np.empty([N, N])
for i in range(N):
for j in range(N):
gram[i, j] = k(x[i], x[j])
return gram
def pt(x1, y1):
k_t = np.vectorize(k)(x.T, np.repeat(x1, N))
mu = k_t @ a
v = k(x1, x1) + 1.0/BETA - k_t @ Cn_inv @ k_t
return np.exp(-(y1 - mu) ** 2 / (2 * v)) / np.sqrt(2*np.pi*v)
np.random.seed(0)
N = 10
x = np.linspace(0, 1, N)
t = np.sin(2*np.pi*x.T) + np.random.normal(0, 0.2, N)
BETA = 5.0
Cn_inv = np.linalg.inv(gram_matrix(x) + 1.0/BETA*np.eye(N))
a = Cn_inv @ t
x2 = np.linspace(0, 1, 100)
y = np.empty(100)
for i in range(x2.size):
y[i] = np.vectorize(k)(x.T, np.repeat(x2[i], N)) @ a
plt.xlim(0.0, 1.0)
plt.ylim(-1.5, 1.5)
plt.scatter(x, t)
plt.plot(x2, y)
plt.show()
X, Y = np.meshgrid(np.linspace(-0, 1, 100), np.linspace(-1.5, 1.5, 100))
Z = np.vectorize(pt)(X, Y)
plt.contourf(X, Y, Z, cmap=cm.coolwarm)
plt.scatter(x, t)
plt.xlim(0, 1)
plt.ylim(-1.5, 1.5)
plt.show()