last feb wed
This commit is contained in:
parent
bb3d6c3f63
commit
c55842b43a
|
|
@ -316,4 +316,46 @@ $a(x_i)$ -- алгоритм обучения. Если применить ал
|
||||||
если линейно-зависимые столбцы мы не можем регрессировать.
|
если линейно-зависимые столбцы мы не можем регрессировать.
|
||||||
разность между модельным У и реальным У называется разностью. можно построить график разностей. если они примерно однородны - это линейные остатки. если остатки не переходят в другие области такого графика -- это называется гомоскедастичность.
|
разность между модельным У и реальным У называется разностью. можно построить график разностей. если они примерно однородны - это линейные остатки. если остатки не переходят в другие области такого графика -- это называется гомоскедастичность.
|
||||||
|
|
||||||
|
\section{Линейная регрессия}
|
||||||
|
% lgrebenuk12@yandex.ru
|
||||||
|
\begin{equation*}
|
||||||
|
\begin{gathered}
|
||||||
|
R^2 = 1-\frac{\sum_{i=1}^l(a(x_i)-y_i)}{\sum_{i=1}^l(y_i-\overline{y})^2}\\
|
||||||
|
\overline{y} = \frac{1}{n}\sum y_i\\
|
||||||
|
MSE = \frac{1}{n}\sum_{i=1}^n(y_i - \overline{y})^2 = \sigma^2_r
|
||||||
|
\end{gathered}
|
||||||
|
\end{equation*}
|
||||||
|
числитель -- среднеквадратичная ошибка, знаменатель -- простое среднее. Хорошая модель - где ошибка классификатора минимальна. r - число регрессоров. В модель нежелательно включать лишние регрессоры (штрафы по критериям акаике и шварца).
|
||||||
|
|
||||||
|
Критерии для включения переменной
|
||||||
|
\begin{enumerate}
|
||||||
|
\item Роль переменной в уравнении опирается на прочные теоретические основания
|
||||||
|
\item высокие значения t-статистики $t_{stat} = \frac{\omega-\overline{\omega}}{\sigma_\omega\sqrt{l}}$
|
||||||
|
\item исправленный коэффициент детерминации растёт при включении лишней переменной
|
||||||
|
\item другие коэффициенты испытывают значительное смещение при включении лишней новой переменной
|
||||||
|
\end{enumerate}
|
||||||
|
|
||||||
|
\begin{equation*}
|
||||||
|
\begin{gathered}
|
||||||
|
y = \omega x + \omega_0 = \tilde{\omega{x}} \to \frac{1}{1-e^{-\omega x}} = \sigma\\
|
||||||
|
x = (x_1, ..., x_K 1)
|
||||||
|
\end{gathered}
|
||||||
|
\end{equation*}
|
||||||
|
|
||||||
|
регрессия выдаёт вероятности. Алгоритм максимизирует отступ классификатора (расстояние до ближайшего объекта).
|
||||||
|
|
||||||
|
\subsection{Линейно разделимый случай}
|
||||||
|
Мы можем найти такие параметры, при которых классификатор не допускает ни одной ошибки
|
||||||
|
|
||||||
|
Отступ классификатора
|
||||||
|
|
||||||
|
...
|
||||||
|
|
||||||
|
Вычисление ширины разделяющей полосы классификатора
|
||||||
|
|
||||||
|
...
|
||||||
|
|
||||||
|
Метод опорных векторов
|
||||||
|
|
||||||
|
\section{Домашнее задание}
|
||||||
\end{document}
|
\end{document}
|
||||||
|
|
@ -290,15 +290,149 @@ $\sigma$ -алгебра F - набор подмножеств (подмноже
|
||||||
\[ \rho_\tau = \rho(\tau) = \frac{\gamma(\tau)}{\gamma(0)} \]
|
\[ \rho_\tau = \rho(\tau) = \frac{\gamma(\tau)}{\gamma(0)} \]
|
||||||
|
|
||||||
\subsection{Модель авторегрессии}
|
\subsection{Модель авторегрессии}
|
||||||
\[ y_t = \alpha_1y_{t-1}+\alpha_2y_{t-2}+...+\alpha_Py_{t-p}+\xi_t AR{K}\]
|
\begin{equation}
|
||||||
|
\begin{gathered}
|
||||||
\[ y_t = \xi_t +\beta_1\xi_{t-1}+ ...+\beta_q\xi_{t-q}; MA(q)\]
|
y_t = \alpha_1y_{t-1}+\alpha_2y_{t-2}+...+\alpha_Py_{t-p}+\xi_t AR\{K\}\\
|
||||||
|
y_t = \xi_t +\beta_1\xi_{t-1}+ ...+\beta_q\xi_{t-q}; MA(q)\\
|
||||||
\[ y_t = \alpha_1y_{t-1}+...+\alpha_ky_{t-k} = \beta_1\xi_{t-1}; ARMA(p,q)\]
|
y_t = \alpha_1y_{t-1}+...+\alpha_ky_{t-k} = \beta_1\xi_{t-1}; ARMA(p,q)
|
||||||
|
\end{gathered}
|
||||||
|
\label{eq:arima-models}
|
||||||
|
\end{equation}
|
||||||
|
|
||||||
$ARIMA(p, d, q);$ Если ряд -- стационарный, то строим модель по $d=0$ если нет то строим модель по разности.
|
$ARIMA(p, d, q);$ Если ряд -- стационарный, то строим модель по $d=0$ если нет то строим модель по разности.
|
||||||
|
|
||||||
Основной инструмент для выбора границ порядков -- автокорреляционная и частная автокорреляционная функция временного ряда. Tckb d fdnjhtuhtccbb ldf pyfxbvs[ xktyf nj d vjltkb crjkmpzotuj chtlytuj yt vj;tn m,snm ,jkmit lde[ xktyjd/
|
Основной инструмент для выбора границ порядков -- автокорреляционная и частная автокорреляционная функция временного ряда. Если в авторегрессии для значения члена то в модели скользящего среднего не может быть больше двух членов.
|
||||||
|
|
||||||
|
\newpage
|
||||||
|
|
||||||
|
\section{АКФ процесса}
|
||||||
|
процесс
|
||||||
|
|
||||||
|
\begin{equation*}
|
||||||
|
\begin{gathered}
|
||||||
|
y_t = 0,6y_{t-1} + 0,2y_{t-2 + \xi_t}, \xi\approx(0,1)\\
|
||||||
|
cov(y_t, y_{t-1}) = cov(0,6y_{t-1}, y_{t-1}) = cov(0,2y_{t-2}, y_{t-2}) + cov(\xi_{t}, y_{t-1})\\
|
||||||
|
\gamma(1) = 0,6\gamma(0) + 0,2\gamma(1)\\
|
||||||
|
\gamma(0) = 0,6\gamma(1) + 0,2\gamma(2) + 1; cov(\xi_t, y_t) = cov(\xi_t, \xi_t-1)\\
|
||||||
|
\gamma(2) = 0,6\gamma(1) + 0,2\gamma(0)\\
|
||||||
|
\gamma(3) = 0,6\gamma(2) + 0,2 \gamma(1)\\
|
||||||
|
\gamma(K) = 0,6\gamma(k-1) + 0,2\gamma(k-2)\\
|
||||||
|
\gamma(1) = cov(y_t, y_{t-1}) = cov(y_{t-k}, y_{t-k-1})
|
||||||
|
\end{gathered}
|
||||||
|
\end{equation*}
|
||||||
|
|
||||||
|
\begin{equation*}
|
||||||
|
\begin{gathered}
|
||||||
|
y_t = 0,7 + 0,5y_{t-1} + \xi_t \sim N(0,1)\\
|
||||||
|
var y = 0,5 \\
|
||||||
|
var(y_t) = var(0,7 + 0,5 y_{t-1} + \xi_t) = var(0,5y_{t-1} + \xi_t)\\
|
||||||
|
1 = 0,5\lambda\\
|
||||||
|
1-0,5\lambda = 0\\
|
||||||
|
\lambda = 2>1 (\text{стационарный})\\
|
||||||
|
var(y_t) = var(0,5y_{t-1}) + var(\xi_t)\\
|
||||||
|
var(y_t) = 0,25 var(y_t) + var(\xi_t)\\
|
||||||
|
0,5 = 0,25 * 0,5 = var(\xi_t)\\
|
||||||
|
var(\xi_t) = 0,5 - 0,125\\
|
||||||
|
var(\xi_t) = 0,375.
|
||||||
|
\end{gathered}
|
||||||
|
\end{equation*}
|
||||||
|
|
||||||
|
\begin{equation*}
|
||||||
|
\begin{gathered}
|
||||||
|
y_t = 0,5 + 0,4\xi_{t-1} - 0,05\xi_{t-2} + \xi_t, \xi_t\sim N(0, \sigma^2)\\
|
||||||
|
var(y_t) = var(0,4\xi_{t-1} - 0,05\xi_{t-1}+\xi_t)\\ %раскрываем скобки
|
||||||
|
var(y_t) = var(0,4\xi_{t-1}) + var(-0,05\xi_{t-1}) + var(\xi_t)\\ % выносим константы в квадрате
|
||||||
|
var(y_t) = (0,16 + 0,0025 + 1)var(\xi_t) = 1,1625\sigma^2\\ %далее ищем ковариацию
|
||||||
|
cov(y_t, y_{t-1}) = E[(y_t - E y_t)(y_{t-1}- E y_{t-1})]\\
|
||||||
|
E[0,5 + 0,4\xi_{t-1}...] \\ % E от \xi всегда == 0
|
||||||
|
E((0,4\xi_{t-1} - 0,05 \xi_{t-1} + \xi_t)(0,4\xi_{t-2} - 0,05 \xi_{t-1} + \xi_t)) =\\
|
||||||
|
=(0,4\sigma^2 - 0,02\sigma^2) = 0,38\sigma^2 = \gamma(1)\\
|
||||||
|
E((0,4\xi_{t-1} - 0,05\xi_{t-2} + \xi_t)(0,4\xi_{t-3} - 0,05 \xi_{t-4} + \xi_{t-2})) = \\
|
||||||
|
= -0,05 \sigma^2
|
||||||
|
\end{gathered}
|
||||||
|
\end{equation*}
|
||||||
|
|
||||||
|
\begin{equation*}
|
||||||
|
\begin{gathered}
|
||||||
|
y_t = 2\xi_{t-3} - \xi_{t-2} + 3\xi_{t-1} + \xi_t; \xi_t \sim N(0, \sigma^2)\\
|
||||||
|
var(y_t) = var(2\xi_{t-3}) + var(-\xi_{t-2}) + var(3\xi_{t-1}) + var(\xi_t)\\
|
||||||
|
var(y_t) = (4+1+9)\sigma^2 = 15\sigma^2\\
|
||||||
|
cov(y_t, y_{t-1}) = E[(y_t - E y_t)(y_{t-1}- E y_{t-1})]\\
|
||||||
|
E(y_t) = 0;\\
|
||||||
|
cov(y_t, y_{t-1}) = E[(2\xi_{t-3}- \xi_{t-2} + 3\xi_{t-1} + \xi_t)(2\xi_{t-4}- \xi_{t-3} + 3\xi_{t-2} + \xi_{t-1})]=\\
|
||||||
|
= E[(-2\xi_{t-3}^2 - 3\xi_{t-2}^2 + 3\xi_{t-1}^2)] = \\
|
||||||
|
= -2\sigma^2\\
|
||||||
|
\gamma(1) = -2\sigma^2\\
|
||||||
|
\gamma(2) = 5\sigma^2\\
|
||||||
|
\gamma(3) = 2\sigma^2\\
|
||||||
|
\gamma(4) = 0
|
||||||
|
\end{gathered}
|
||||||
|
\end{equation*}
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
\appendix
|
||||||
|
\setcounter{secnumdepth}{0}
|
||||||
|
\section*{Приложения}
|
||||||
|
\addcontentsline{toc}{section}{Приложения}
|
||||||
|
\renewcommand{\thesubsection}{\Asbuk{subsection}}
|
||||||
|
|
||||||
|
\subsection{Лабораторная работа 1}
|
||||||
|
Проверка гипотез
|
||||||
|
|
||||||
|
Есть процесс, есть модель. Надо проверить, соответствует ли какое-то следующее значение модели.
|
||||||
|
|
||||||
|
\begin{equation*}
|
||||||
|
\begin{gathered}
|
||||||
|
H_0: \alpha \neq 0;\\
|
||||||
|
H_1: \alpha = 0;\\
|
||||||
|
y_t = \alpha; y_{t+1} + \xi
|
||||||
|
\end{gathered}
|
||||||
|
\end{equation*}
|
||||||
|
|
||||||
|
Нам машина посчитала альфу, но на реальной выборке не получится посчитать 0. значение отклонения делим на дисперсию и получаем p-value, если оно $\geq 0,05$ нулевая гипотеза неверна. то есть это уровень доверия. Если выборка маленькая - можно взять больший коэффициент.
|
||||||
|
|
||||||
|
Стационарный процесс. Чтобы его проверить нужно построить автокорреляционную функцию
|
||||||
|
\begin{equation*}
|
||||||
|
\begin{gathered}
|
||||||
|
\rho(K) = \frac{Cov(y_t, t_{t-K})}{\sqrt{Var(y) + Var(y+k)}}\\
|
||||||
|
\frac{cov(y_t, t_{t-K})}{Var(y)}, cov(y_t, t_{t-K}) = \gamma(k)
|
||||||
|
\end{gathered}
|
||||||
|
\end{equation*}
|
||||||
|
|
||||||
|
Например, функция получится
|
||||||
|
|
||||||
|
(1)
|
||||||
|
|
||||||
|
видно, что первые три значения (лаги) отличаются (нулевой равен единице, это белый шум, там н е может быть корелляций), а все последующие незначительно отличаются от нуля. Получим одну из моделей \hrf{eq:arima-models} котороые возможно считать по АРИМА с нужными параметрами. По автокорреляции мы видим, какие варианты моделей возможны. для каждой модели строим распечатки и делаем диагностику.
|
||||||
|
|
||||||
|
Проверка стационарности процесса. Размер выборки должен быть треть от числа лагов. корреляционная и автокорреляционная функция участвуют в выборе правильной модели. по АКФ мы видим, что может быть самое больше -- два лага.
|
||||||
|
|
||||||
|
\[MSE = \tilde{\sigma}^2 = \frac{1}{K}\sum_{i=3}^n(y_i-y_i^M)^2\]
|
||||||
|
|
||||||
|
Вычислили на обучающей выборке, затем вычисляем на контрольной выборке. По автокорреляции мы считаем не порядок авторегрессии, а порядок скользящего среднего. А для того чтобы примерно прикинуть порядок p -- нужно вычислить частный коэффициент автокорреляции.
|
||||||
|
\[ 0\leq q \leq 2, 0\leq p\leq 1\]
|
||||||
|
|
||||||
|
\[y_t = \alpha_0 y_{t-1} + ... + \alpha_{K-1} y_{t-k+1} \]
|
||||||
|
|
||||||
|
влияние игреков уменьшается чем дальше мы отходим от $\alpha_0$. частный коэффициент показывает влияние предыдущих значений на последующие.
|
||||||
|
|
||||||
|
Криетрий Акаике
|
||||||
|
|
||||||
|
\begin{equation*}
|
||||||
|
\begin{gathered}
|
||||||
|
AIC = \tilde{\sigma}^2 + \frac{r}{N};\\
|
||||||
|
SIC = \tilde{\sigma}^2 + \frac{r\ln r}{N};
|
||||||
|
\end{gathered}
|
||||||
|
\end{equation*}
|
||||||
|
|
||||||
|
r = число параметров модели, N - объём выборки. добавляет штраф за переобучение. Шваарц более сильно штрфует, Хеннана-куина штрафует ещё сильнее. Нужно выбрать лучшую модель по критерию Акаике.
|
||||||
|
|
||||||
|
Люнг-Бокс говорит о том, насколько мы ошибёмся, если отвергнем нулевую гипотезу (остатки не коррелированы). Если остатки коррелированы - модель плохая, мы не смоделировали зависимость. Критерий гетероскедастичности -- если остатки неоднородны лучше не брать такую модель.
|
||||||
|
|
||||||
|
Вероятность ошибиться отвергнув нулевую гипотезу должна быть меньше 0,05.
|
||||||
|
|
||||||
|
SARIMA(p,d,q)(P,D,Q,S) -- учёт сезонности.
|
||||||
|
|
||||||
\end{document}
|
\end{document}
|
||||||
|
|
||||||
|
|
@ -224,5 +224,28 @@ $A$ -- не чёткое изображение, на рисунке -- гран
|
||||||
\[ H = \begin{pmatrix} h_{11}&h_{12}&h_{13}\\h_{21}&h_{22}&h_{23}\\h_{31}&h_{32}&h_{33} \end{pmatrix} \]
|
\[ H = \begin{pmatrix} h_{11}&h_{12}&h_{13}\\h_{21}&h_{22}&h_{23}\\h_{31}&h_{32}&h_{33} \end{pmatrix} \]
|
||||||
|
|
||||||
Основная задача -- поиск точек, подверженных гомографии. Такой поиск называется схема RANSAC.
|
Основная задача -- поиск точек, подверженных гомографии. Такой поиск называется схема RANSAC.
|
||||||
|
|
||||||
|
\section{Стереозрение}
|
||||||
|
эпиполярная геометрия
|
||||||
|
|
||||||
|
берём две камеры, смотрим их углы обзора.
|
||||||
|
(1)
|
||||||
|
d -- стереобаза
|
||||||
|
|
||||||
|
\[ r = \frac{f(x_1-x_2)}{d} \]
|
||||||
|
|
||||||
|
Преимущество в лёгкости, недостаток в сложности настройки подобной системы (две абсолютно идентичные камеры будут всё равно иметь свои искажения, углы зрения и так далее). Частоты камер могут не совпадать. Оси камер должны быть параллельны друг другу (соосны).
|
||||||
|
|
||||||
|
(2)
|
||||||
|
|
||||||
|
В результате получаем стереопару. Библиотека \code{calib3d}. Получив стереопару возможно строить карту глубин изображения (depth map). \code{cvStereoBMState} block matching. ищем пиксель с одной камеры в полосе другой камеры. Есть другой вид функций -- \code{...GC...} -- graph cut, вычислительно более сложны, остаются только ветки с наименьшими ошибками сопоставления. \footnote{Bradski - Learning OpenCV, Multiple View Geometry in Computer Vision - Hartley, Zisserman}
|
||||||
|
|
||||||
|
\subsection{Ректификация}
|
||||||
|
(3)
|
||||||
|
|
||||||
|
Для определения объекта далее берутся характерные точки и признаки на одном изображении и ищутся на другом изображении.
|
||||||
|
|
||||||
|
\section{Анализ размытия изображения}
|
||||||
|
|
||||||
\end{document}
|
\end{document}
|
||||||
|
|
||||||
|
|
|
||||||
Loading…
Reference in New Issue