【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章
TRANSCRIPT
![Page 1: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/1.jpg)
グラフィカルモデル機械学習プロフェッショナルシリーズ
@St_Hakky
![Page 2: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/2.jpg)
本書の構成• 1 章
• グラフィカルモデルの導入
• 2 章• 確率論の基礎的な事項 ( 条件付き確率、条件付き独立 )
• 3,4 章• ベイジアンネットワーク / マルコフ確率場
• 5 章• 因子グラフ
• 6,7,8 章• 確率推論
• 9,10,11 章• パラメタ学習
• 12, 13 章• MAP 推定
• 14 章• 構造学習
![Page 3: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/3.jpg)
グラフィカルモデルの2章をやります
![Page 4: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/4.jpg)
確率論の基礎
定義 2.1 : σ- 加法族
集合 Ω その部分集合族 が以下の𝙁 3 つの条件を満たすとき、 σ- 加法族という。
1. Ω ∈ 𝙁
2. 𝐴 ∈ 𝙁 ならば Ω \ ∈ が成立 𝐴 𝙁3. 𝙁 の加算個の元 , , に対して、 ∈ が成立𝙁
組 (Ω, )𝙁 は可測空間、 の元は可測集合と呼ばれる。𝙁
![Page 5: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/5.jpg)
確率論の基礎
定義 2.2 : 確率空間
集合 Ω と、その部分集合族 からなる𝙁 σ- 加法族が与えられているとする。 から実数への写像𝙁 P が確率であるとは、以下の 3 つの条件 ( コルモゴロフの公理 ) を満たすことである。
1. 任意の ∈ に対して、𝐴 𝙁 0 1
2. P(Ω) = 1
3. 互いに素な , , に対して、 P( ∈ 𝙁 が成立
集合 Ω は標本空間、三つ組 (Ω, , P)𝙁 は確率空間と呼ばれる
離散と連続に本質的に大きな違いはない。以下では、まず離散について説明し、その後連続について説明する
![Page 6: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/6.jpg)
確率論の基礎
定義 2.3 : 離散的な確率変数
写像 X が確率変数であるとは、任意のに対して、写像が可測集合であることをいう。
![Page 7: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/7.jpg)
確率変数の分布関数
確率分布関数 ( 確率質量関数 )𝑃 (𝑋=𝑥 )
同時確率分布関数 ( 同時確率質量関数 )
𝑃 (𝑋=𝑥 ,𝑌=𝑦 )
周辺化
∑𝑦𝑃 (𝑋=𝑥 ,𝑌=𝑦 )=𝑃 (𝑋=𝑥 )
![Page 8: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/8.jpg)
2.2 確率変数の独立性
定義 2.4 確率変数の独立性
確率変数が任意のに対して、
𝑃 (𝑋 1∈𝐵1 , 𝑋 2∈𝐵2)=𝑃( 𝑋 1∈𝐵1)𝑃 (𝑋 2∈𝐵2)
を満たすとき、 X1, X2 は独立であるといい、以下のように表記する。
![Page 9: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/9.jpg)
2.3 条件付き確率確率空間 (Ω, , P)𝙁 とその上の確率変数 X があるとします。今、「確率変数 X の値が B の中に入っている」という条件付けを考える。すなわり、 Ω の部分集合
𝑋−1(𝐵)={𝜔∈Ω∨𝑋 (𝜔)∈𝐵}
の確率を 1 に規格化し直し、 X(ω) B 以外の確率を 0 にする。
式このことを表現すると、条件つき確率は QB の定義は、
で与えられます。
![Page 10: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/10.jpg)
2.3 条件付き確率
𝑃 (𝑋=𝑥|𝑌=𝑦 )= 𝑃 (𝑋=𝑥 ,𝑌=𝑦 )𝑃 (𝑌=𝑦 )
X,Y が離散的な確率変数の場合、 Y=y の事象が観測されたとすると、 X=x の確率は、以下のように表現される
![Page 11: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/11.jpg)
2.5 連続的な確率変数の取り扱い
まぁ、難しいことはごちゃごちゃありますが、基本的には積分にすればオッケーです ( 雑 )
![Page 12: 【機械学習プロフェッショナルシリーズ】グラフィカルモデル2章](https://reader036.vdocuments.pub/reader036/viewer/2022083116/5889495c1a28abde5a8b5e75/html5/thumbnails/12.jpg)
おしまい