Önyargı - Varyans ayrışmasının birkaç adımı
Gerçekten de, tam türetme ders kitaplarında nadiren verilir, çünkü pek çok sönük cebir içerir. İşte "İstatistiksel Öğrenmenin Öğeleri" kitabındaki notasyonu kullanarak daha eksiksiz bir türetme sayfa 223
ve ve olduğunu varsayarsak , bir regresyon uyumunun beklenen tahmin hatası için ifadeyi türetebiliriz kare hata kaybı kullanan girişindeY=f(X)+ϵE[ϵ]=0Var(ϵ)=σ2ϵf ( x ) X, = x 0f^(X)X=x0
Err(x0)=E[(Y−f^(x0))2|X=x0]
Notasyonel sadelik için , ve ve olduğunu hatırlayınf^(x0)=f^f(x0)=fE[f]=fE[Y]=f
E[(Y−f^)2]=E[(Y−f+f−f^)2]=E[(y−f)2]+E[(f−f^)2]+2E[(f−f^)(y−f)]=E[(f+ϵ−f)2]+E[(f−f^)2]+2E[fY−f2−f^Y+f^f]=E[ϵ2]+E[(f−f^)2]+2(f2−f2−fE[f^] + fE[ f^] )= σ2ε+ E[ ( f- f^)2] + 0
terimi için, yukarıdaki gibi benzer bir numara kullanabiliriz, elde etmek için ekleyip çıkarabilirizE[ ( f- f^)2]E[ f^]
E[ ( f- f^)2]= E[ ( f+ E[f^] - E[f^] - f^)2]= E[f- E[f^] ]2+ E[f^- E[f^] ]2= [ f- E[f^] ]2+ E[f^- E[f^] ]2= B i a s2[f^] + Va r [f^]
Bir araya getirmek
E[ (Y- f^)2] = σ2ε+ B i a s2[ f^] +Va r [ f^]
bazı yorumlarE[ f^Y] = fE[ f^]
Burada Alecos Papadopoulos'tan alınmıştır
Hatırlatma; biz göre inşa olan belirleyicisidir veri noktası böylece hatırlamak için .f^m{ ( x( 1 ), y( 1 )) , . . . , ( x( m ), y( m )) } f = f mf^= f^m
Öte yandan , yukarıdaki veri noktalarında oluşturulan modeli kullanarak yeni bir veri noktası üzerinde yaptığımız tahmindir . Yani Ortalama Kare Hatası şu şekilde yazılabilir:Y( x( m + 1 ), y( m + 1 ))m
E[ f^m( x( m + 1 )) - y( m + 1 )]2
Denklemin bir önceki bölümden genişletilmesi
E[ f^mY] = E[ f^m( f+ ϵ ) ] = E[ f^mf+ f^mϵ ] = E[ f^mf] + E[ f^mϵ ]
Denklemin son kısmı şu şekilde görülebilir:
E[ f^m( x( m + 1 )) ⋅ ϵ( m + 1 )] = 0
noktası hakkında aşağıdaki varsayımları yaptığımızdan :x( m + 1 )
- O edildi değil oluşturarak zaman kullanılırf^m
- Diğer tüm gözlemlerden bağımsızdır{ ( x( 1 ), y( 1 )) , . . . , ( x( m ), y( m )) }
- bağımsızdırε( m + 1 )
Tam türevli diğer kaynaklar