code

2017年2月1日 星期三

Machine Learning筆記4 - Multivariate Gaussian model範例

Model & Learning Objective

摘要一下目前所講的:


解logarithm equation

真的去微分來解,先對mean做偏微分:

當mean = empirical average的時候,上面等式成立:


所以跟covariance無關(所以我們才先求mean_hat),這樣我們就求出了maximum likelihood mean。

再來就是對covariance做偏微分,這是一個dxd matrix:


最後得出一個covariance和mean的function,我們把maximum likelihood mean帶入:

上面式子就是maximum likelihood covariance,正好是empirical covariance。

必須承認,對multivariate calculus不熟悉,看這些式子還真一隻半解。


結論

Machine Learning其實有一點藝術成分在內,因為我們必須對蒐集到的data有一些想像與假設,但是這些假設很可能是錯的(例如data不是獨立的),或是不能generalize到新的data,而且選取model也是比較嘗試性的措施。不過一但確定了model與objective function,optimize objective function就是一個絕對性的科學舉動。




沒有留言:

張貼留言