Ядерне згладжуваня

Дана стаття являється неперевіреним навчальним завданням. Студент: Шостак В.М. Викладач: Назаревич О. Б. Термін до: 18 березня 2012 До вказаного терміну стаття не повинна редагуватися іншими учасниками проекту. Після завершення терміну виконання будь-який учасник може вільно редагувати дану статтю і витерти дане попередження, що вводиться за допомогою шаблону.

{{{img}}}
Імя	Володимир
Прізвище	Шостак
По-батькові	Михайлович
Факультет	ФІС
Група	СН-51
Залікова книжка	СН-11-222

Ядерне згладжуваня - один із найпростіших видів непараметричної регресії.

Постановка задачі

Вирішується завдання відновлення регресії. Заданий простір об'єктів $x$ і безліч можливих відповідей $y=r$. Існує невідома цільова залежність $y^*: X \rightarrow Y$, значення якої відомі лише на об'єктах навчальної вибірки $X^m={(x_i, y_i)}_{i=1}^m$. Потрібно побудувати алгоритм $a: X \rightarrow Y$, що апроксимує цільову залежність $y^*$.

Принцип

Принцип, використання ідейно простого підхіду до уявлення послідовності вагів $\{ W_{mi}(x)\}_{i=1}^m$ полягає в описі форми вагової функції $w_{mi}(x)$ за допомогою функції щільності із скалярним параметром, який регулює розмір і форму вагів біля х. Цю функцію форми прийнято називати 'ядром' $k$. Отримані таким чином ваги далі використовуються для представлення величини $a(x)$ у вигляді зваженої суми значень $y_i$ навчаючої вибірки.

Опис методу

Визначення ядра

Ядро — це неперермвна обмеженна симетрична речовина функція $K$ з одиничним інтегралом

$\int K(u)du=1$

Послідовність ваги

Послідовність ваги для ядерних оцінок (для одновимірного $x$) знаходиться як ::$W_{mi}(x)=\frac{K_{h_m}(x-X_i)}{\hat{f}_{h_m}(x)}$, де

$\hat{f}_{h_m}(x)=\frac1m \sum_{i=1}^m K_{h_m}(x-X_i)$,

a

$K_{h_m}(u)=\frac{1}{h_m} K\(\frac{u}{h_m}\)$

уявимо собі ядро з параметром $h_m$. Також цей параметр прийнято називати шириной вікна. Підкреслемо залежність $h\ =\ h_m$ від об'єму вибірки $m$, умова скороченого значення послідовністі ваги $W_{mi}(x)$.

Функція ядра

Функція $\hat{f}_{h_m}(x)$ являєтся ядерною оцінкою щільності Розенблата — Парзена (Rosenblatt, 1956; Parzen, 1962) для (маргинальної) щільності зміної $x$. Даний вид ядерних вагів $W_{mi}(x)$ був запропонований в работах (Nadaraya, 1964) і (Watson, 1964). Як наслідок, оцінка очікуваної величини відновлюваної залежності $e(y\|x)$: ::$\hat{m}_h(x)=\frac{\frac1m\textstyle\sum\limits_{i=1}^m K_{h_m}(x-x_i) Y_i}{\frac1m\textstyle\sum\limits_{i=1}^m K_{h_m}(x-x_i)}$ часто називають оцінкою 'Надарая—Ватсона'. Ширіна вікна визначає, наскільки швидко убувають ваги $w_{mi}(x)$ у міру видалення об'єктів $x_i$ від $x$.

Характер убування визначається виглядом ядра $k$. Нормалізація вагів $\hat{f}_{h_m}(x)$ гарантує, що сума вагів дорівнює одиниці. 'Примітка'. При ряду умов має місце збіжність по вірогідності даної оцінки до $e(y|x)$.

Приклад функції ядра

Приклади різних функцій ядра.

На практике используется несколько видов ядерных функций. Чаще всего используется квартическая ядерная функция

$K(u)=(15/16)(1-u^2)^2I(\| u \| \le 1)$.

Также используется ядро Епанечникова, обладающее некоторыми свойствами оптимальности [Хардле В п4.5]; это функция параболического типа (Epanechnikov, 1969; Bartlett, 1963):

$K(u)=0.75(1-u^2)I(\| u \| \le 1)$.

Другими примерами являются ядро Гаусса,

$K(u)=(2\pi)^{-1/2} \exp(-u^2/2)$,

треугольное ядро

$K(u)=(1-\|u\|)I(\| u \| \le 1)$,

и прямоугольное ядро

$K(u)=(1/2)I(\| u \| \le 1)$.

Замечание. Точность восстанавливаемой зависимости мало зависит от выбора ядра. Ядро определяет степень гладкости функции $a(x)$.

Залежність від ширини вікна

Выбор окна решающим образом влияет на точность восстанавливаемой зависимости. При чересчур малых значениях $h$ кривая $a(x)$ стремится пройти через каждую точку выборки, остро реагируя на шумы и претерпевая резкие скачки, поскольку в этом случае оценка опирается только на небольшое число наблюдений из узкой окрестности точки $x$. Наоборот, если ширина окна велика, функция чрезмерно сглаживается и в пределе при $h \rightarrow \infty$ вырождается в константу -- усреднённое значение величин $y_i$. В этом случае сглаженная функция не даёт возможности определить характерные особенности искомой зависимости $y^*(x)$.

Література

1. Хардле В.Прикладна непараметрична регресія-1989р.
2. Воронцов К.В.Лекції по алгоритмам відновлення регресії - 2007.
3. Лагутин М.Б.Прикладна математична статистика.- 2009

Див. також

• Алгоритм LOWESS
• Варіація і зміщення
• Регресійний аналіз

посилання

Непараметрична регресія