小象-机器学习互联网新技术教育领航者_第1页
小象-机器学习互联网新技术教育领航者_第2页
小象-机器学习互联网新技术教育领航者_第3页
小象-机器学习互联网新技术教育领航者_第4页
小象-机器学习互联网新技术教育领航者_第5页
免费预览已结束,剩余42页可下载查看

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

本课件包括演示文稿、示例、代码、题库、和在课程范围外向任何第散播。任何其他人或机构不得盗版、、仿造其中的创意及内容,我们 课 咨

主要内 细致平稳条

思考:LDA的迭代为何如此设

为什么要研究采样根据采样结果估算分布的参数,完成参数学hpnNnp 1

附:Bernoulli版本的大数定一次试验中事件A发生的概率为p;重复n次对于任意整数lim pnn

应用Bernoulli版本的大数定一般的说,上述结论可以直接推广:频率的极限 将上述二项分布扩展成多项分布,如K项分布:pi 从而得到K

,

nk p N

N 在主体模型LDA中,每个文档的分布和每个主分布和词分布的参数,即可完成参数学

采样算若离散分布,则f(x)为概率分布律

Matropolis-Hastings算假定t时刻X(t)x(t)X(tx(t)的条件分布g(x|x(t计算M-H率:Rx(t,x*

f(x*)g(x(t)|

f

(t

)g(x*

|x(t)

|xt则t+1时刻的X值x(t1)X(t1)X(t1)

分析MH率

(t),x*

f(x*)g(x(t)|f(x(t))g(x(t)|x*)

x,X(t

xpX(t

x,X(t

x

fxgx|xRx,x

fxgx|x

fxgx|x

给定区域的二维随机给定区间[ax,bx]×[ay,by],使得二维随机点(x,y)落

产生二维随机数代码与

圆内均匀取给定定点O(x0,y0)和半径r,使得二维随机直接使用

有选择的取显然上述做法是不对的。但可以使用二维随

分的区域g(x,y)≤0,G为F的上界。当采样 注:区域f(x,y)≤0的可行解集合记做F;区g(x,y)≤0的可行解集合记做G;显然

附:产生圆内随机数的其他方

附:产生三角形内随机

进一步思考:Rejection上述方法能够一定程度的估算圆周率——虽上述抽样问题能否用来解决一般概率分布函

重述采方法 链模

举 0.28父代0.15

概率转移矩显然,第n+1代中处于第jnXn1jXniPXn1j|Xnn 第i行元素表示:在上一个状态为i时的分布概率,

初始概率π=[0.21,0.68,0.1]

初始概率π=[0.75,0.15,0.1]

随机过程的平稳定收敛在某个分布上。 的,则limPn存在,记做limPn

随机过程的平 limPn

12

2 该多项分布π是状态转移矩阵P的平稳分线性方程xP=x的非负解为π,而Pn唯一,因此π

随机过程与采 来很大的启发:对于某概率分布π,生成一 该方法可使用MonteCarlo模拟来完成,称之为MCMC(MarkovChainMonteCarlo)。

细致平稳条从稳定分布满足πP=π可以抽象出如下定如果非周 过程的转移矩阵P和分布π(x) i,j,iPi,j则π(x)是 细致平稳条件(detailedbalancecondition)。P(i,j)为矩阵P的第i行第j列,其意思为前一个状态为i时,细致平稳的理解:根据定义,对于任意两个状态i,j,从

细致平稳条件和平稳分布的关n n

jjPj,nn

设定接受 以取:ijpjqj,i,j,ipiqij

MCMC:Metropolis-Hastings算

i,j

Metropolis-Hastings算初始 过程初始状态第t时 过程初始状态it,采样从均匀分布中采样

则接受状态j,即

否则,不接受状态j,即

改造MCMC算 率若需要采样二维联合分布p(x,y),固定x11

11111111

x1y1,y2x1

|x1,x

y2,y1py1|x1

ycur,yother

|x1,x

yother,ycur

若固定y,可得到对偶的结

二维Gibbs采样算由ycuryotherpyother|x11yxcur,xotherpxother|y11随机初始化对t=0,1,2…,循环采样xxt

px|yt1

将二维Gibbs采样推广随机初始化

1,X

Xx0,x0!,x0 对t=1,2…,循环采样直 xt1px|xt,xt,!,xt

xt1px|xt1,xt,!,xt2

ii

!!

| !,

,xi1,!,xn |xt1,xt1,!,xt1,xt

xt1px|xt1,xt1,!,很显然

用采样改造EM算

用采样改造EM算在EM算法中,E-Step求出隐变量的条件概率,从而为:Q,pZ|X,lnpZX|dZ显然,这仍然可以使用采样的方式近似得

1L

lnpZl,X|这种EM算法称为MC-EM算法(MonteCarlo极限情况:若MC-EM算法的期望Q的估计,仅采样一个样本,则称之为随机EM算法(stochasticEM

变分预备知散度的两种形

两个KL散度的区 qxKLq||px

pxEqx

如果p(x)=0,q(x)>0,则KL为无穷大。因此,当p(x)=0时KLp||q

px px

免”(zeroavoiding)的。从而,q往往被高估

两个KL散度的区是使用近似p(z1,z2)=p(z1)p(z2)左:KL(p||q):zero右:KL(q||p):zero

两个KL散度的区左:KL(p||q):q趋向于覆盖中、右:KL(q||p):q能够锁定某一个峰

两个KL散度之间的联给定分布p和qDp||q

1

px

dxKLp||q

px dxpx1

qx

p

两个KL散度之间的联

1

log

ingerDp||q

1

dx px

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论