매개 변수 조정

공식을 통해 프로그램의 내부 상태를 표시하고 제공된 학습팀에서 공식을 정확하게 조정하는 것을 목표로 하는 학습 방법

찰카를 예로 들면 과거 인류 간의 대전 결과를 참조하여 어떤 국면이 가리키는 착수 이후의 전개 중의 좋은 나쁜 손을 평가하고 평가가 좋아지기 위해 프로필렌글리콜을 조정한다.

회귀분석은 수치를 학습 데이터 집합으로 제시할 때 이 수치를 설명할 수 있는 공식을 확정하는 것이다.

회귀분석의 대표적인 방법은 최소 2승법이 있다.

최소 2승법 회귀 분석

최소 2승법으로 일차적인 계수를 구하고 기계 학습 책상의 관계를 고려한 도표.
여기에는 파라미터 조정을 통해 학습하는 예제로 기상 데이터를 처리해 본다.

학습 데이터 세트 => 니가타현 나가오카시의 매년 평균 일 기온

기상청 홈페이지에서 사용된 데이터 =>기상청 > 과거 기상 데이터 검색

만든 프로그램을 Giithub에 공개 = > 절차.

준비물:

최소 2승법으로 선형 계수를 확정하는 도표=>lsm.c

책상에서 필요한 줄만 꺼내는 그림=>selectline.c

책상에서 지정한 위치의 수치를 꺼낸 그림 = >cutfield.c

데이터 파일에 줄 번호를 추가하는 그림 =>addnumber.c

웹 사이트에서 복사한 기상 데이터.txt

단계:

기상계에서 일평균 기온을 추출하다$ ./selectline 2 < rawdata.txt | ./cutfield 5 > data.txtrawdata의 2N 줄만 추출하고 5열만 추출합니다.데이터 결과.txt에 저장합니다.

X축 수치 추가$ ./addnumber 1976 < data.txt > lsmdata.txtdata.txt 데이터의 왼쪽에 1976년부터 연호를 추가했습니다.lsmdata.txt에 저장합니다.

최소 2승법을 이용하여 회귀분석을 한다$ ./lsm < lsmdata.txt최소 2승법에 따라 공식 계수를 계산하는 도표에 일평균 기온 데이터를 삽입

최소 2승법으로 계수를 계산한 결과 = >y = 12.206341+0.035819x
장강시 매년 평균 기온의 추이와 최소 2승법의 일회식 회귀 분석

기온이 해마다 상승합니까?

100년 만에 약 3.6도 상승!?

최소 2승법으로 미래의 기온을 예측할 수 있지만 이런 간단한 학습 요구 공식은 100년 뒤 예측에 활용하기 어렵다.

데이터 변동 경향의 학습

전년도 평균 일일 기온과 결합하여 학습 규칙성을 고려

예를 들어 평균 기온이 비교적 낮은 해에 지속되면 다음 해의 기온이 상승할 수 있다는 규칙성

을 얻을 수 있다.

전년도 기온에 비해 상승하면 + 하락을 나타내는 기호

예)1년 전:15.4 그해:15.9→상승 "+"
1년 전:16.8 그해:14.4→하강

지난 3년간의 책상 변동 추출 도면판 = >8 도면판

변동된 C자형 회전을 학습 테이블 그룹에 나타난 주파수

로 계산한다.
2년 전
일년 전
당년
빈도
+
+
+
+
+
-
+
-
+
+
-
-
-
+
+
-
+
-
-
-
+
-
-
-

2년 전에 1년 전의 변동 모델에 따라 그해의 변동을 예측

예제)
2년 전
일년 전
당년
빈도
+
+
+
0
+
+
-
6
변동이 +, +라면 그해에 +로 바뀔 확률이 낮다=>+, +라면 그해는'-'
2년 전
일년 전
당년
빈도
+
-
+
9
+
-
-
4
변화가 +라면 그해에 +로 바뀔 확률이 더 높을 것으로 예측된다=>+, 그 다음은'+'
준비물:

온도조절 변동의 도표.c

2년 전, 1년 전의 변동도에서 그해의 변동을 예측한 도표=>ml1.c

단계:

기온 데이터에 따라 전년도 대비 변동 계산./updown < data.txt > pm.txt결과는pm이다.txt에 저장

변동 모델의 빈도와 그해의 변동 예측을 진행한다./ml1 < pm.txt

결과:

+
+
-
+
+
-
+
+
+
+
+
+
+
-
+
+
+
+
+
+
+
-
+
+
+
+
-
+
-
+
-
-
+
-
+
+
+
-
+
-
学習結果
+++ : 0
++- : 6
+-+ : 9
+-- : 4
-++ : 7
-+- : 7
--+ : 4
--- : 1

학습 결과에 따르면+++모드의 주파수는 0이고 -모드의 주파수는 1로 다른 모드에 비해 특징이 있다.
그렇다면 절차 예측의 변동과 실제 변동을 비교해 보자.

2회 연속 기온 하락/상승 후의 예측처럼 특징적인 기온 변화 시 예측이 양호하다는 것을 나타낸다
=> 기온 데이터의 특징을 학습했다

상승과 하락을 반복하는 상황은 좋지 않은 예측이다
=> 기온 데이터에서 주의할 만한 특징이 발견되지 않았다

참고 문헌

'첫 기계학습'소지홍 옴사