PRML 学习: Polynomial Curve Fitting
Posted yhl_leo
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了PRML 学习: Polynomial Curve Fitting相关的知识,希望对你有一定的参考价值。
多项式曲线拟合是比较基础的回归分析方法,假设有一独立变量 x x x 和与其相关的变量 y y y,存在着变量 x x x 的 m m m 阶多项式可以模拟这种映射关系,可以用于解决一些非线性拟合问题。
1 基础概念
给定一组包含 n n n 个观测数据 x x x, x = x 0 , x 1 , … , x n \\mathbfx = \\ x_0, x_1, \\dots, x_n \\ x=x0,x1,…,xn,和其对应的预测值 y y y, y = y 0 , y 1 , … , y n \\mathbfy = \\ y_0, y_1, \\dots, y_n \\ y=y0,y1,…,yn, 例如图1中利用 s i n ( 2 π x ) sin(2\\pi x) sin(2πx) 函数合成的观测数据(30组加入了随机均匀噪声的观测值)。我们的目标就是使用这样的一个观测数据,训练/学习到一个模型,当引入新的数值 x ^ \\hatx x^ 时,可以有效得预测它对应的数值 y ^ \\haty y^ 。
可以看出,实现这一目标暗示着,我们要尽可能地找到观测数据所对应的潜在的模型,即 s i n ( 2 π x ) sin(2\\pi x) sin(2πx) 。 但是要通过有限的观测数据(含有噪声)准确地泛化出这一模型,是相当困难的。即便如此,我们还是可以把这一问题简化成为曲线拟合问题。我们指定采用的多项式形式为:
(1) y ( x , w ) = w 0 + w 1 x + w 2 ∗ x 2 + ⋯ + w m x m = ∑ i = 0 m w i x i , y(x, \\mathbfw) = w_0 + w_1x + w_2*x^2 + \\dots + w_mx^m = \\sum_i=0^mw_ix^i, \\tag1 y(x,w)=w0+w1x+w2∗x2+⋯+wmxm=i=0∑mwixi,(1)
其中,取
x
x
x 幂次最高值
m
m
m, 称该多项式为
m
m
m 次多项式。虽然,该多项式是
x
x
x 的非线性函数,但是却是待系数
w
\\mathbfw
w 的线性方程。方程
(
1
)
(1)
(1) 的矩阵形式为:
(2)
Y
=
X
w
,
\\mathcal\\pmbY = \\mathcal\\pmbX \\mathbfw, \\tag2
YYY=XXXw,(2)
其中,
Y
=
[
y
0
y
1
⋮
y
n
]
,
\\mathcal\\pmbY = \\left[ \\beginmatrix y_0 \\\\ y_1 \\\\ \\vdots\\\\ y_n \\endmatrix\\right] ,
YYY=⎣⎢⎢⎢⎡y0y1⋮yn⎦⎥⎥⎥⎤,
X = [ 1 x 0 x 0 2 … x 0 m 1 x 1 x 1 2 … x 1 m ⋮ 1 x n x n 2 … x n m ] , \\mathcal\\pmbX = \\left[ \\beginmatrix 1 & x_0 & x_0^2 \\dots & x_0^m \\\\ 1 & x_1 & x_1^2 \\dots & x_1^m \\\\ & & \\vdots & \\\\ 1 & x_n & x_n^2 \\dots & x_n^m \\\\ \\endmatrix\\right] , XXX=⎣⎢⎢⎢⎡111x0x1xnx02…x12…⋮xn2…x0mx1mxnm⎦⎥⎥⎥⎤,
w = [ w 0 w 1 ⋮ w n ] \\mathbfw = \\left[ \\beginmatrix w_0 \\\\ w_1 \\\\ \\vdots\\\\ w_n \\endmatrix\\right] w=⎣⎢⎢⎢⎡w0w1⋮wn⎦⎥⎥⎥⎤
通过观测数据就可以确定该多项式的系数,假设我们已经得到了这样一组系数
以上是关于PRML 学习: Polynomial Curve Fitting的主要内容,如果未能解决你的问题,请参考以下文章 PRML 学习: Polynomial Curve Fitting 一起啃PRML - 1.1 Example: Polynomial Curve Fitting PRML - Chapter 1: Introduction 模式识别与机器学习 (Pattern Recognization and Maching Learning)(PRML)