3.3 ベイズ線形回帰
昨日は線形基底関数モデルを用いて回帰を行った。
telltale.hatenablog.com
今日は同じ回帰問題をベイズ的アプローチで解くベイズ線形回帰について勉強する。
ベイズ線形回帰
ベイズ的なアプローチの最終目標は、を観測した条件の下でのの分布を得ることだ。
そのために、の事前分布と、尤度関数を求め、ベイズの定理を用いてを評価するとよいことは過去に学んだ通りだ。
例のために、事前分布と尤度関数がともにガウス分布で与えられる場合を考える。
尤度関数については昨日出てきたものと同じものを使用している。
事後分布は2つの分布の積を正規化したものであり、共役なガウス事前分布を用いているため事後分布もガウス分布になる。
よって、積をガウス型に変形し平均と共分散行列を整理すると、
が得られる。
この事後分布の対数を取ること、
が得られる。
第一項は二乗和誤差関数を、第二項は正則化項を意味している。
線形基底関数モデルのときは二乗和誤差関数のみでを評価していた。
そのため、過学習の発生が問題となっていた。
一方で、ベイズの枠組みでは正規化項についても評価する。
これは1.1節で述べられていた、誤差関数に正規化項を付与することで過学習を回避するという方法に対応している。