Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
ベイズで単回帰モデルを考える /bayes-simple-linear-regression
Search
Thimblee
November 09, 2022
Technology
0
250
ベイズで単回帰モデルを考える /bayes-simple-linear-regression
Thimblee
November 09, 2022
Tweet
Share
More Decks by Thimblee
See All by Thimblee
巡回セールスマン問題での貪欲法の精度 / accuracy of greedy method in TSP
thimblee
0
710
Other Decks in Technology
See All in Technology
全社横断データ活用推進のコツと その負債とのつき合い方
masatoshi0205
0
100
AIを駆使したゲーム開発戦略: 新設AI組織の取り組み / sge-ai-strategy
cyberagentdevelopers
PRO
1
140
新卒1年目が挑む!生成AI × マルチエージェントで実現する次世代オンボーディング / operation-ai-onboarding
cyberagentdevelopers
PRO
1
180
大規模データ基盤チームのオンプレTiDB運用への挑戦 / dpu-tidb
cyberagentdevelopers
PRO
1
110
プロダクトエンジニアが活躍する環境を作りたくて 事業責任者になった話 ~プロダクトエンジニアの行き着く先~
gimupop
1
510
ExaDB-D dbaascli で出来ること
oracle4engineer
PRO
0
3.7k
独自ツール開発でスタジオ撮影をDX!「VLS(Virtual LED Studio)」 / dx-studio-vls
cyberagentdevelopers
PRO
1
200
SNSマーケティングに革新! ABEMA サッカー動画切り出しを生成AIで自動化し、業務効率化を狙う! / abema-ai-marketing
cyberagentdevelopers
PRO
1
120
物価高なラスベガスでの過ごし方
zakky
0
470
バクラクにおける可観測性向上の取り組み
yuu26
3
440
DynamoDBの"Replacement"時にデータが消されないようにCustom Resource Provider Frameworkでカスタムリソース作ってみた件
diggymo
0
100
カメラを用いた店内計測におけるオプトインの仕組みの実現 / ai-optin-camera
cyberagentdevelopers
PRO
1
130
Featured
See All Featured
Code Reviewing Like a Champion
maltzj
519
39k
The Power of CSS Pseudo Elements
geoffreycrofte
72
5.3k
What's in a price? How to price your products and services
michaelherold
243
12k
Writing Fast Ruby
sferik
626
61k
Reflections from 52 weeks, 52 projects
jeffersonlam
346
20k
How to Ace a Technical Interview
jacobian
275
23k
Unsuck your backbone
ammeep
668
57k
Let's Do A Bunch of Simple Stuff to Make Websites Faster
chriscoyier
505
140k
"I'm Feeling Lucky" - Building Great Search Experiences for Today's Users (#IAC19)
danielanewman
226
22k
It's Worth the Effort
3n
183
27k
Teambox: Starting and Learning
jrom
132
8.7k
The Illustrated Children's Guide to Kubernetes
chrisshort
48
48k
Transcript
ϕΠζͰ୯ճؼϞσϧΛߟ͑Δ 5IJNCMFF 1
ઃఆ ܇࿅σʔλͷઆ໌ม ͱతม ͔ΒҎԼͷ ༧ଌΛٻΊΔ ҎԼͷ୯ճؼϞσϧΛ༻͢Δ x = (x1
, x2 , ⋯, xN )T t = (t1 , t2 , ⋯, tN )T p(t* |x* , t, x) p(t* |x* , w, β) = 𝒩 (t* |w0 + w1 x* , β−1) 2
۩ମతʹ ͜͏͍͏σʔλʹର͍͍ͯ͠ײ͡ʹύϥϝʔλ Λௐͯ͠ɺઢ ΛҾ͖͍ͨɻ͜ͷσʔλେମ ͱͳ͍ͬͯΔɻ w = (w0 , w1
)T y = w0 + w1 x t = − 2 + 2x 3
ϕΠζͷఆཧ p(A|B) = p(A)p(B|A) p(B) 4
ࣄޙ QPTUFSJPS ύϥϝʔλɺ σʔλ ࣄޙΛ༻͍ͨύϥϝʔλͷਪఆ͕ϕΠζਪఆͰ͢ɻ w t p(w|t)
= p(w)p(t|w) p(t) ∝ p(w)p(t|w) (posterior) ∝ (prior)(likelihood) 5
ࣄલ QSJPS p(w) = 𝒩 (w|0, α−1I), α =
0.25 6
ؔ MJLFMJIPPE L(w) = p(t|w) = 𝒩 (t|m, β−1I)
where m = (w0 + w1 x1 , w0 + w1 x2 , ⋯, w0 + w1 xN )T, β = 2.0 7
ؔͷྫ ͜ͷΑ͏ͳ͍͍ײ͡ͷઢͩͱͱ͍͏େ͖͍ΛͱΔ L((−2.1,2.2)T) = 0.39 8
ؔͷྫ ͜ͷΑ͏ͳઢͩͱͱ͍͏ΛͱΔ L((−1.0,0.0)T) = 0.29 9
ؔͷྫ ͜ͷΑ͏ͳѱ͍ઢͩͱͱ͍͏খ͍͞ΛͱΔ L((1.0, − 3.0)T) = 0.18 10
ࣄલͱؔʢ࠶ܝʣ ؔ MJLFMJIPPE ࣄલ QSJPS 11
ࣄલͱؔͷੵ 12
ٻΊΒΕͨઢ ࣄޙ ͷ࣌ʹ࠷େʹͳΔ w = (−1.08,0.38) L((−1.08,0.38)T) = 0.31
13
͚ؔͩʢ࠷ਪఆʣͰ͍͍ͷͰ ϕΠζʢࣄޙʣͩͱσʔλΛ͏·͘දݱͰ͖͍ͯͳ͍ ࣮ࡍɺ͜ͷσʔλΛ୯ճؼϞσϧͰֶश͢ΔࡍʹϕΠζඞཁͳ͍ ʢ୯ճؼϞσϧ͕ཧղ͍͔͢͠Β༻͍ͨʣ ͔͠͠ɺҰൠʹϕΠζͰߟ͑ΔϝϦοτ͕ଟ͍ 14
ϕΠζͷಛ w ύϥϝʔλʢ୯ճؼϞσϧͳΒ ʣʹ͍ͭͯ֬Λߟ͑ΒΕΔ w ࣄલʹʢσʔλҎ֎ͷʣطͷใΛөͤ͞ΒΕΔ w ֬ͷஞ࣍ߋ৽͕Ͱ͖Δ w աֶशΛ͛Δʢਖ਼ଇԽʣ
w ʢଞʹ৭ʑ͋Δͱࢥ͍·͢ʣ w 15
͝ਗ਼ௌ͋Γ͕ͱ͏͍͟͝·ͨ͠ 16