kotiteht v n ratkaisu n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Kotitehtävän ratkaisu PowerPoint Presentation
Download Presentation
Kotitehtävän ratkaisu

Loading in 2 Seconds...

play fullscreen
1 / 5

Kotitehtävän ratkaisu - PowerPoint PPT Presentation


  • 84 Views
  • Uploaded on

Kotitehtävän ratkaisu. Sovellettaessa perinteistä EM-algoritmia tuntemattoman rakenteen ongelmaan, rakenteen haku pitää tehdä EM-silmukan ulkopuolella. Tehotonta ja laskennallisesti raskasta

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Kotitehtävän ratkaisu' - livana


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
kotiteht v n ratkaisu
Kotitehtävän ratkaisu
  • Sovellettaessa perinteistä EM-algoritmia tuntemattoman rakenteen ongelmaan, rakenteen haku pitää tehdä EM-silmukan ulkopuolella.
    • Tehotonta ja laskennallisesti raskasta
  • Structural EM (SEM, myös Model-Selection EM) tekee mallin rakenteen valinnan EM-silmukan sisäpuolella, ja toimii huomattavasti paremmin.
kotiteht v n ratkaisu1
Kotitehtävän ratkaisu
  • SEM koostuu:
    • Expectation (E) –osasta joka on samanlainen kuin perinteisessä EM-algoritmissa
      • Datan täydennys
    • Maximization (M) –osasta, joka poikkeaa perinteisestä siinä että parametrien uudelleen estimoinnin lisäksi myös mallirakennetta voidaan päivittää.
      • Muutamia eri variaatioita
kotiteht v n ratkaisu2
Kotitehtävän ratkaisu
  • Eroja:
    • SEM pystyy yhden iteraation aikana parantamaan paitsi parametrien lukuarvoja myös rakennetta
    • SEM maksimoi käytetyn kriteerin odotusarvoa, EM ko. kriteerin todellista arvoa
      • Epätäydellisen datan tilanteessa likelihood ei ositu → parametrit verkon eri osissa riippuvaisia toisistaan
      • Voidaan osoittaa että kriteerin odotusarvon parantuessa myös todellinen arvo paranee
kotiteht v n ratkaisu3
Kotitehtävän ratkaisu
  • Laajennus dynaamisiin Bayes-verkkoihin?
    • Kuten viimeksi todettiin DBN ei avattuna poikkea staattisesta Bayes-verkosta muuten kuin mahdollisesti kooltaan.
    • Laajennus suoraviivaista, aikasiivujen välinen rakenne pitää ottaa huomioon.
    • Konvergenssin todistus tehty myös DBN:lle.
kotiteht v n ratkaisu4
Kotitehtävän ratkaisu
  • Joitain heikkouksia:
    • Laskennallinen vaativuus (iteratiivinen ja vaatii tehokkaan tavan laskea marginaalijakaumia).
    • Lokaali hakumenetelmä, joka hakeutuu johonkin lokaaliin minimiin. Ei takaa parasta mahdollista ratkaisua.
    • Deterministinen algoritmi, alkutila määrää mihin pisteeseen konvergoidutaan.
    • Soveltuu ainoastaan kaksiosaisille kriteereille, joissa on datan likelihood ja kompleksisuuden rangaistustermi.
    • Tuottaa tuloksena yhden mallin. Ei kerro mitään mallien jakaumasta.