Μπεϋζιανή Γραμμική Παλινδρόμηση

2.1.6

Μπεϋζιανή Γραμμική Παλινδρόμηση

Ενημέρωση 2020-04-08 Ανάγνωση 3 λεπτά
Σύνοψη
  • Η Μπεϋζιανή γραμμική παλινδρόμηση αντιμετωπίζει τους συντελεστές ως τυχαίες μεταβλητές, εκτιμώντας τόσο τις προβλέψεις όσο και την αβεβαιότητά τους.
  • Η εκ των υστέρων κατανομή προκύπτει αναλυτικά από την εκ των προτέρων κατανομή και την πιθανοφάνεια, καθιστώντας τη μέθοδο ανθεκτική για μικρά ή θορυβώδη σύνολα δεδομένων.
  • Η προβλεπτική κατανομή είναι Γκαουσιανή, οπότε ο μέσος και η διακύμανσή της μπορούν να οπτικοποιηθούν και να χρησιμοποιηθούν για λήψη αποφάσεων.
  • Το BayesianRidge στο scikit-learn ρυθμίζει αυτόματα τη διακύμανση θορύβου, απλοποιώντας την πρακτική εφαρμογή.

Εισαγωγή #

Αυτή η μέθοδος πρέπει να ερμηνεύεται μέσα από τις υποθέσεις της, τις συνθήκες των δεδομένων και τον τρόπο με τον οποίο οι επιλογές παραμέτρων επηρεάζουν τη γενίκευση.

Αναλυτική Επεξήγηση #

Μαθηματική Διατύπωση #

Υποθέτουμε πολυμεταβλητή Γκαουσιανή εκ των προτέρων κατανομή με μέσο 0 και διακύμανση \(\tau^{-1}\) για το διάνυσμα συντελεστών \(\boldsymbol\beta\), και Γκαουσιανό θόρυβο \(\epsilon_i \sim \mathcal{N}(0, \alpha^{-1})\) στις παρατηρήσεις. Η εκ των υστέρων κατανομή γίνεται

$$ p(\boldsymbol\beta \mid \mathbf{X}, \mathbf{y}) = \mathcal{N}(\boldsymbol\beta \mid \boldsymbol\mu, \mathbf{\Sigma}) $$

με

$$ \mathbf{\Sigma} = (\alpha \mathbf{X}^\top \mathbf{X} + \tau \mathbf{I})^{-1}, \qquad \boldsymbol\mu = \alpha \mathbf{\Sigma} \mathbf{X}^\top \mathbf{y}. $$

Η προβλεπτική κατανομή για μια νέα είσοδο \(\mathbf{x}*\) είναι επίσης Γκαουσιανή, \(\mathcal{N}(\hat{y}, \sigma_^2)\). Το BayesianRidge εκτιμά τα \(\alpha\) και \(\tau\) από τα δεδομένα, ώστε να μπορείτε να χρησιμοποιήσετε το μοντέλο χωρίς χειροκίνητη ρύθμιση.

Πειράματα σε Python #

Το ακόλουθο παράδειγμα συγκρίνει τη μέθοδο ελαχίστων τετραγώνων με τη Μπεϋζιανή γραμμική παλινδρόμηση σε δεδομένα που περιέχουν ακραίες τιμές.

from __future__ import annotations

import japanize_matplotlib
import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import BayesianRidge, LinearRegression
from sklearn.metrics import mean_squared_error

def run_bayesian_linear_demo(
    n_samples: int = 120,
    noise_scale: float = 1.0,
    outlier_count: int = 6,
    outlier_scale: float = 8.0,
    label_observations: str = "observations",
    label_ols: str = "OLS",
    label_bayes: str = "Bayesian mean",
    label_interval: str = "95% CI",
    xlabel: str = "input $",
    ylabel: str = "output $",
    title: str | None = None,
) -> dict[str, float]:
    """Fit OLS and Bayesian ridge to noisy data with outliers, plotting results.

    Args:
        n_samples: Number of evenly spaced sample points.
        noise_scale: Standard deviation of Gaussian noise added to the base line.
        outlier_count: Number of indices to perturb strongly.
        outlier_scale: Standard deviation for the outlier noise.
        label_observations: Legend label for observations.
        label_ols: Label for the ordinary least squares line.
        label_bayes: Label for the Bayesian posterior mean line.
        label_interval: Label for the confidence interval band.
        xlabel: X-axis label.
        ylabel: Y-axis label.
        title: Optional plot title.

    Returns:
        Dictionary containing MSEs and coefficients statistics.
    """
    japanize_matplotlib.japanize()
    rng = np.random.default_rng(seed=0)

    x_values: np.ndarray = np.linspace(-4.0, 4.0, n_samples, dtype=float)
    y_clean: np.ndarray = 1.8 * x_values - 0.5
    y_noisy: np.ndarray = y_clean + rng.normal(scale=noise_scale, size=x_values.shape)

    outlier_idx = rng.choice(n_samples, size=outlier_count, replace=False)
    y_noisy[outlier_idx] += rng.normal(scale=outlier_scale, size=outlier_idx.shape)

    X: np.ndarray = x_values[:, np.newaxis]

    ols = LinearRegression()
    ols.fit(X, y_noisy)
    bayes = BayesianRidge(compute_score=True)
    bayes.fit(X, y_noisy)

    X_grid: np.ndarray = np.linspace(-6.0, 6.0, 200, dtype=float)[:, np.newaxis]
    ols_mean: np.ndarray = ols.predict(X_grid)
    bayes_mean, bayes_std = bayes.predict(X_grid, return_std=True)

    metrics = {
        "ols_mse": float(mean_squared_error(y_noisy, ols.predict(X))),
        "bayes_mse": float(mean_squared_error(y_noisy, bayes.predict(X))),
        "coef_mean": float(bayes.coef_[0]),
        "coef_std": float(np.sqrt(bayes.sigma_[0, 0])),
    }

    upper = bayes_mean + 1.96 * bayes_std
    lower = bayes_mean - 1.96 * bayes_std

    fig, ax = plt.subplots(figsize=(10, 5))
    ax.scatter(X, y_noisy, color="#ff7f0e", alpha=0.6, label=label_observations)
    ax.plot(X_grid, ols_mean, color="#1f77b4", linestyle="--", label=label_ols)
    ax.plot(X_grid, bayes_mean, color="#2ca02c", linewidth=2, label=label_bayes)
    ax.fill_between(
        X_grid.ravel(),
        lower,
        upper,
        color="#2ca02c",
        alpha=0.2,
        label=label_interval,
    )
    ax.set_xlabel(xlabel)
    ax.set_ylabel(ylabel)
    if title:
        ax.set_title(title)
    ax.legend()
    fig.tight_layout()
    plt.show()

    return metrics

metrics = run_bayesian_linear_demo()
print(f"OLS MSE: {metrics['ols_mse']:.3f}")
print(f"Bayesian regression MSE: {metrics['bayes_mse']:.3f}")
print(f"Posterior mean of coefficients: {metrics['coef_mean']:.3f}")
print(f"Posterior std of coefficient: {metrics['coef_std']:.3f}")

Το ακόλουθο παράδειγμα συγκρίνει τη μέθοδο ελαχίστων τετραγώνων με τη Μπεϋζιανή γραμμική παλινδρόμηση

Ανάγνωση των αποτελεσμάτων #

  • Η μέθοδος ελαχίστων τετραγώνων έλκεται προς τις ακραίες τιμές, ενώ η Μπεϋζιανή γραμμική παλινδρόμηση διατηρεί τη μέση πρόβλεψη πιο σταθερή.
  • Χρησιμοποιώντας return_std=True λαμβάνουμε την τυπική απόκλιση πρόβλεψης, η οποία διευκολύνει τη σχεδίαση διαστημάτων αξιοπιστίας.
  • Η εξέταση της εκ των υστέρων διακύμανσης αναδεικνύει ποιοι συντελεστές φέρουν τη μεγαλύτερη αβεβαιότητα.

Αναφορές #

  • Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
  • Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. MIT Press.