Порождение нелинейных регрессионных моделей (пример)

Материал из MachineLearning.

Перейти к: навигация, поиск

Порождение нелинейных регрессионных моделей — порождение функций, зависящих от параметров и от одной или нескольких свободных переменных. Зависимость от параметров предполагается нелинейной.

Содержание

Постановка задачи

Задана выборка из m пар (\mathbf{x}_i,y_i). Задан набор порождающих функций одного и двух аргументов [G_i]_{i=1}^{n} = [[g_l^{_{(1)}}(w_l,x)]_{l=1}^k,[g_m^{_{(2)}}(w_m,x,y)_{m=k+1}^n]], которые зависят от параметров \mathbf{w_i}=(w_1,...,w_{W_i}) и свободных переменных x,y. Функции гладкие параметрические. Требуется создать алгоритм, порождающий лексикографически упорядоченные суперпозиции возрастающей сложности. Каждая суперпозиция является регрессионной моделью одной независимой переменной. Сравнить качество моделей и регрессионные остатки на порожденном множестве.

Дополнительные предположения

Предполагается, что функции g^{_{(2)}}_i(w_i,x, y) корректно работают в случае вызова в виде g^{_{(2)}}_i(w_i,x).

Интерпретация на языке деревьев

Заметим вначале, что суперпозиция функций G_i может быть задана двоичным деревом T(V,X), вершины которого V_iG_i, корень – самая внешняя функция суперпозиции. Под глубиной вершины будем понимать расстояние от неё до корня. Если у вершины один потомок, то соответствующая функция запишется как g_i(g_j), если два – то g_i(g_j,g_k), если ноль – то g_i(x) или g_i(x,x).

Так, дереву А соответствует суперпозиция 2(1(1),2(1,1)), а дереву Б – суперпозиция 1(2(1,1)).

Альтернативная интерпретация

Эта интерпретация особенно ценна, если нельзя вызвать g^{_{(2)}}_i(x,x) в виде g^{_{(2)}}_i(x). Изменение состоит в том, что листья дерева суперпозиции считаются не функциями, а свободными переменными. В этом случае дереву А будет соответствовать суперпозиция 2(1(x), 2(x,x)) дереву Б – суперпозиция 1(2(x,x)).

Порождение множества деревьев суперпозиций

Комбинаторная простота этого шага алгоритма заключается в том, что изоморфные деревья задают разные суперпозиции. Однако простые смещения вершин не дают новых деревьев.

Так, деревья А и В различны с точки зрения задаваемых суперпозиций, но деревья А и Б идентичны. Поэтому при машинной реализации можно вообще исключить деревья типа Б, т.е. если из вершины исходит одно ребро, будем «рисовать» его «сверху вниз, справа налево», как в деревьях А и В.
Порождение деревьев осуществим по уровням глубины. Т.е. для задачи порождения деревьев высоты не больше n породим все деревья высоты не больше n-1 и запишем их в список 1. В список 2 поместим все деревья высоты ровно n-1. Далее возьмём дерево из списка 2, построим всевозможные деревья высоты n из него, получаемые добавлением рёбер к вершинам нижнего уровня глубины, и поместим их в конец списка 1. То же проделаем со всеми остальными деревьями списка 2.


Обход дерева суперпозиции

Следующий этап алгоритма – это получение по дереву задаваемой им суперпозиции в виде строки символов {, ( ) 1 2}, где 1 и 2 означают g^{_{(1)}}_i и g^{_{(2)}}_i.

Для этого совершим обход дерева в глубину и поставим вершине типа А в соответствие конструкцию 2( , ), вершине В1( ), вершине C1.

Уточнение типа функции

Для порождения полного списка возможных суперпозиций, в которых вместо g_i^{_{(1)}} и g_i^{_{(2)}} стоят 1 и 2, – нужно, воспользовавшись тем, что g_i^{_{(2)}}(x,y) может быть вызвана как g_i^{_{(2)}}(x), заменить в каждой строке суперпозиции всеми возможными способами цифру 1 на 2. Это несложно реализуется полным перебором – в каждом вхождении 1 нужно выбрать, заменять её или нет.

Этот этап будет излишним в реализации альтернативного варианта алгоритма.

Подстановка номера функции

Заключительный этап заключается в том, чтобы по двум спискам с номерами функций: в первом – номера g_i^{_{(1)}}(x), во втором – g_i^{_{(2)}}(x,y) – и подготовленному на предыдущем шаге списку получить необходимый список суперпозиций. Осуществляется, опять же, полным перебором: рассматриваются все варианты замены 1 в каждом вхождении на номера из первого списка умножить на все варианты замены 2 в каждом вхождении на номера из второго списка.

Список, полученный после этого шага, будет искомым.

Выбор оптимальной модели

Необходимо понять, на каком этапе прекращать работу алгоритма и как из полученного множества моделей выбрать нужную. Вопрос выбора встаёт по той причине, что данные всегда зашумлены и функция, идеально приближающая обучающую выборку, может оказаться слишком сложной и, как следствие, неподходящей. Основная идея в том, чтобы ввести два параметра R и C, характеризующие функцию. Параметр R характеризует степень приближения функцией данных на обучающей выборке (например, сумма квадратов остатков). Параметр C характеризует сложность функции. Выбор его может быть самым разнообразным и зависеть от самих функций (например, скорее всего, вес sin(x) или exp(x) много больше веса ax+b), или же от дерева суперпозиции, или от того и другого. При выборе зависимости C от дерева суперпозиции также есть варианты среди всевозможных характеристик дерева: высоты h, числа вершин |V|, длины наибольшего пути и др. Одна из характеристик (предложена Е.Владиславлевой) – сумма количеств вершин \sum\|V^i | по всем поддеревьям T^i(V^i, X^i) дерева суперпозиции T(V, X). Под поддеревом понимается дерево, состоящее из некоторой вершины и всех её потомков.

Например, на рисунках БД обведены всевозможные поддеревья дерева А. Сложность по Владиславлевой дерева А равна 1+2+1+4 = 8.

Вычислительный эксперимент

Был проведен эксперимент, значения y на сетке по x от 1 до 5 с шагом 0.5 задавались функцией y = sin(sin(x) + sqrt(|x|)) + exp(-x). Суперпозиции искались в алфавите sin(x), cos(x), x+y, sqrt(x). В связи с этим, слагаемое exp(-x) - шумовой фактор. Искались суперпозиции глубины не более 4, с числом вершин не более 5 и вычислением сложности по методу Владиславлевой. Ниже приведен график в координатах C-R, плюсами отмечены модели с лучшим приближением в своем классе сложности. Число рядом - номер в полном списке порожденных моделей (всего их было 2212).
table
Далее следуют графики моделей. Красной линией изображен график начальной функции.
sin(x)cos(cos(x))sin(x)+cos(x)cos(sin(cos(x)))cos(x)+cos(sin(x))cos(sin(x)+sqrt(x))sin(x)+(cos(x)+cos(x))sin(sqrt(x))+cos(sin(x))(cos(x)+sin(x))+cos(x)cos(sin(sin(x)+sin(x)))

Ниже, по возрастанию сложности, приведены модели. R - сумма квадратов регрессионных остатков. Функции здесь следует понимать следующим образом: sin(x) - w1*sin(w2*x); cos(x) - w1*cos(w2*x); sqrt(x) - w*sqrt(|x|); a+b - w1*a + w2*b. Здесь w, w1, w2 - параметры функции, оптимизируются matlab-функцией nlinfit.

sin(x) , R = 0.8185
cos(cos(x)) , R = 0.0612
sin(x)+cos(x) , R = 0.1001
cos(sin(cos(x))) , R = 0.0357
cos(x)+cos(sin(x)) , R = 5.6*10^-4
cos(sin(x)+sqrt(x)) , R = 0.0294
sin(x)+(cos(x)+cos(x)) , R = 2.3*10^-5
sin(sqrt(x))+cos(sin(x)), R = 1.8*10^-4
(cos(x)+sin(x))+cos(x) , R = 5.6*10^-4
cos(sin(sin(x)+sin(x))) , R = 0.0016

Исходный код

Скачать программную реализацию можно здесь: [1]

См. также

Литература

  • Стрижов В.В. Поиск параметрической регрессионной модели в индуктивно заданном множестве. [2]
  • E. Vladislavleva, G. Smits, and D. den Hertog. “Order of Nonlinearity as a complexity measure for models generated by symbolic regression via Pareto genetic programming”, doi 10.1109/TEVC.2008.926486


Данная статья была создана в рамках учебного задания.
Студент: Александр Мафусалов
Преподаватель: В.В.Стрижов
Срок: 28 мая 2010


В настоящее время задание завершено и проверено. Данная страница может свободно правиться другими участниками проекта MachineLearning.ru.

См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе.

Личные инструменты