mlapp 4章 「ガウシアンモデル」
TRANSCRIPT
ガウス分布 (Gaussian Distribution)
もっともよく使われる分布の王者
正規分布 (Normal Distribution) とも呼ぶ
単変量が許されるのは小学生まで!!!
ガウス分布とは
概要
ガウス分布とは
概要
ガウス分布 (Gaussian Distribution)
もっともよく使われる分布の王者
正規分布 (Normal Distribution) とも呼ぶ
大事なのはこの後ろの部分
(前半は正規化係数)
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
ガウス分布とは
どの辺が王者なのか
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
ガウス分布とは
どの辺が王者なのか
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
ガウス分布とは
どの辺が王者なのか
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
• 一見複雑なのに線形代数だけで計算がすむ
ガウス分布とは
どの辺が王者なのか
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
• 一見複雑なのに線形代数だけで計算がすむ
ガウス分布とは
どの辺が王者なのか
実際には世の中みんなガウス分布に従っているわけじゃない
対数正規分布、パレート分布、二項分布、ポアソン分布……
分布に対して分かっていることがあるならそれを使えばいいないなら、ガウス分布を使おう
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
• 一見複雑なのに線形代数だけで計算がすむ
ガウス分布とは
どの辺が王者なのか
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
• 一見複雑なのに線形代数だけで計算がすむ
ガウス分布とは
どの辺が王者なのか
いま、一つのガウス分布に独立に従う N 個のデータ点{x1, x2,…, xN} があるとする:
このとき、 μ と Σの最尤推定量は
ガウス分布とは
最尤推定法によるあてはめ
最尤推定量が標本平均・標本分散そのもの!
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
• 一見複雑なのに線形代数だけで計算がすむ
ガウス分布とは
どの辺が王者なのか
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
• 一見複雑なのに線形代数だけで計算がすむ
ガウス分布とは
どの辺が王者なのか
【定理】
ガウス分布は特定の平均と分散を持つ分布の中で、もっともエントロピーが大きい分布である
(証明は教科書参照)
エントロピーが大きい=表現できる情報量が多い
正体不明の分布を表すのに、できるだけ仮定を置かず幅広い可能性に対応できるようにしている
ガウス分布とは
ガウス分布の情報量
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
• 一見複雑なのに線形代数だけで計算がすむ
ガウス分布とは
どの辺が王者なのか
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
• 一見複雑なのに線形代数だけで計算がすむ
ガウス分布とは
どの辺が王者なのか
x = (x1,x2) ∼ N (μ,Σ) とする。ただし
ガウス分布とは
ガウス分布の周辺分布
x2
x1
Σ =
Σ12
Σ11 Σ12
Σ21
x2x1
μ2
μ1
μ =
x2
x1
対応する部分を区切っただけ
一言でいえば
「ガウス分布たん可愛いよ (;´Д`)ハァハァ」
「シンプルでありながら現実に即している」
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
• 一見複雑なのに線形代数だけで計算がすむ
ガウス分布とは
どの辺が王者なのか
ガウス分布 (Gaussian Distribution)
• 中心極限定理のたどり着く先である
• たった2つのパラメータで定まる
• しかもその2つが解釈しやすい(平均と分散)
• 平均と分散以外に持っている知識は最小限
• 一見複雑なのに線形代数だけで計算がすむ
ガウス分布とは
まとめ
ガウス分布にもとづく判別分析
判別分析とは
ガウス判別分析の解き方
1. データは、クラスごとに固有のガウス分布から iid で生成されていると仮定する
2. 教師データからパラメータを推定する
3. 未知のデータに対し各クラスに属する確率を求め最も高いクラスに分類する
55 60 65 70 75 8080
100
120
140
160
180
200
220
240
260
280
ガウス分布にもとづく判別分析
判別分析とは
ガウス判別分析の解き方
1. データは、クラスごとに固有のガウス分布から iid で生成されていると仮定する
2. 教師データからパラメータを推定する
3. 未知のデータに対し各クラスに属する確率を求め最も高いクラスに分類する
55 60 65 70 75 8080
100
120
140
160
180
200
220
240
260
280
55 60 65 70 75 8080
100
120
140
160
180
200
220
240
260
280
ガウス分布にもとづく判別分析
判別分析とは
ガウス判別分析の解き方
1. データは、クラスごとに固有のガウス分布から iid で生成されていると仮定する
2. 教師データからパラメータを推定する
3. 未知のデータに対し各クラスに属する確率を求め最も高いクラスに分類する
生成モデルを仮定
55 60 65 70 75 8080
100
120
140
160
180
200
220
240
260
280
ガウス分布にもとづく判別分析
判別分析とは
ガウス判別分析の解き方
1. データは、クラスごとに固有のガウス分布から iid で生成されていると仮定する
2. 教師データからパラメータを推定する
3. 未知のデータに対し各クラスに属する確率を求め最も高いクラスに分類する
生成モデルを仮定
ガウス分布にもとづく判別分析
生成モデル
クラスごとに固有のガウス分布
パラメータ θ が与えられて、クラスを c に定めたときにx が生成される確率
クラス c の平均と分散
モデル全体のパラメータ(各 μc, Σc を含む)
ガウス分布にもとづく判別分析
生成モデル
クラスごとに固有のガウス分布
パラメータ θ が与えられて、クラスを c に定めたときにx が生成される確率
ついでに、下記も仮定:クラス c の出やすさは πc
ガウス分布にもとづく判別分析
生成モデル
クラスごとに固有のガウス分布
パラメータ θ が与えられて、クラスを c に定めたときにx が生成される確率
ついでに、下記も仮定:クラス c の出やすさは πc
各 πc もパラメータ θ
の一部
ガウス分布にもとづく判別分析
判別分析とは
ガウス判別分析の解き方
1. データは、クラスごとに固有のガウス分布から iid で生成されていると仮定する
2. 教師データからパラメータを推定する
3. 未知のデータに対し各クラスに属する確率を求め最も高いクラスに分類する
55 60 65 70 75 8080
100
120
140
160
180
200
220
240
260
280
ガウス分布にもとづく判別分析
判別分析とは
ガウス判別分析の解き方
1. データは、クラスごとに固有のガウス分布から iid で生成されていると仮定する
2. 教師データからパラメータを推定する
3. 未知のデータに対し各クラスに属する確率を求め最も高いクラスに分類する
55 60 65 70 75 8080
100
120
140
160
180
200
220
240
260
280
55 60 65 70 75 8080
100
120
140
160
180
200
220
240
260
280
ガウス分布にもとづく判別分析
判別分析とは
ガウス判別分析の解き方
1. データは、クラスごとに固有のガウス分布から iid で生成されていると仮定する
2. 教師データからパラメータを推定する
3. 未知のデータに対し各クラスに属する確率を求め最も高いクラスに分類する
ベイズの法則により計算
55 60 65 70 75 8080
100
120
140
160
180
200
220
240
260
280
ガウス分布にもとづく判別分析
判別分析とは
ガウス判別分析の解き方
1. データは、クラスごとに固有のガウス分布から iid で生成されていると仮定する
2. 教師データからパラメータを推定する
3. 未知のデータに対し各クラスに属する確率を求め最も高いクラスに分類する
ベイズの法則により計算
ガウス分布にもとづく判別分析
判別分析とは
ガウス判別分析の解き方
1. データは、クラスごとに固有のガウス分布から iid で生成されていると仮定する
2. 教師データからパラメータを推定する
3. 未知のデータに対し各クラスに属する確率を求め最も高いクラスに分類する
55 60 65 70 75 8080
100
120
140
160
180
200
220
240
260
280
ガウス分布にもとづく判別分析
判別分析とは
ガウス判別分析の解き方
1. データは、クラスごとに固有のガウス分布から iid で生成されていると仮定する
2. 教師データからパラメータを推定する
3. 未知のデータに対し各クラスに属する確率を求め最も高いクラスに分類する
55 60 65 70 75 8080
100
120
140
160
180
200
220
240
260
280
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし QDA• 等分散 LDA• 特徴量が独立 Naïve Bayes• 等分散&特徴量が独立 Diagonal LDA• 事前分布で正則化
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし• 等分散• 特徴量が独立• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
2次判別分析
パラメータへなにも制約をおかなかった場合、一般に分離境界は2次式になる
→ 2次判別分析 (Quadratic Discriminant Analysis)
ガウス分布にもとづく判別分析
2次判別分析
パラメータへなにも制約をおかなかった場合、一般に分離境界は2次式になる
→ 2次判別分析 (Quadratic Discriminant Analysis)
ガウス分布にもとづく判別分析
2次判別分析
パラメータへなにも制約をおかなかった場合、一般に分離境界は2次式になる
→ 2次判別分析 (Quadratic Discriminant Analysis)
ガウス分布にもとづく判別分析
2次判別分析
パラメータへなにも制約をおかなかった場合、一般に分離境界は2次式になる
→ 2次判別分析 (Quadratic Discriminant Analysis)
分散が同じだと境界が直線に
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし• 等分散• 特徴量が独立• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散• 特徴量が独立• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散• 特徴量が独立• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
2次判別分析
分散が各クラスで共通だと分離境界は1次式になる→ 線形判別分析 (Linear Discriminant Analysis)
よく PCA との対比で語られることの多い LDA ですが、実は背後に
等分散なガウス分布を生成モデルとして仮定していた!
ガウス分布にもとづく判別分析
2次判別分析
分散が各クラスで共通だと分離境界は1次式になる→ 線形判別分析 (Linear Discriminant Analysis)
よく PCA との対比で語られることの多い LDA ですが、実は背後に
等分散なガウス分布を生成モデルとして仮定していた!
LDAって言ってもトピックモデルの方 (Latent Dirichlet allocation) じゃないよ!
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散• 特徴量が独立• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
単純ベイズ法
特徴量が独立=データの各次元が独立x = (x1, x2, …, xi, …, xN)
つまり
これはガウス分布による単純ベイズ (Naïve Bayes)と等価!
独立独立 ⇔
同時分布を積に分解できる
ガウス分布にもとづく判別分析
単純ベイズ法
特徴量が独立=データの各次元が独立x = (x1, x2, …, xi, …, xN)
つまり独立
独立 ⇔ 同時分布を積に
分解できる
ただし
ガウス判別分析の観点で言うと、分散を対角行列に制限している(無相関)ことに等しい
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立 単純ベイズ• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立 単純ベイズ• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
対角線形判別分析
分散行列を対角かつ各クラスで共通に制限したものを対角線形判別分析 (Diagonal LDA) と呼ぶ
正則化がかなり強く働くので、高次元データに強い
Σの推定値には合併経験分散 (Pooled Empirical Variance) を用いることが多い
ガウス分布にもとづく判別分析
対角線形判別分析
分散行列を対角かつ各クラスで共通に制限したものを対角線形判別分析 (Diagonal LDA) と呼ぶ
正則化がかなり強く働くので、高次元データに強い
Σの推定値には合併経験分散 (Pooled Empirical Variance) を用いることが多い
クラス内分散の不偏推定量
みたいなもの
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立 単純ベイズ• 等分散&特徴量が独立• 事前分布で正則化
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立 単純ベイズ• 等分散&特徴量が独立 対角線形判別分析• 事前分布で正則化
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立 単純ベイズ• 等分散&特徴量が独立 対角線形判別分析• 事前分布で正則化
ガウス分布にもとづく判別分析
事前分布による正則化
ベイジアンなら直截的に Σの値を制限するのではなく事前分布を使って正則化をすることも出来る
ここでは2種類紹介する• 分散に逆ウィシャート分布• 平均のオフセットにラプラス分布
ガウス分布にもとづく判別分析
事前分布による正則化
ベイジアンなら直截的に Σの値を制限するのではなく事前分布を使って正則化をすることも出来る
ここでは2種類紹介する• 分散に逆ウィシャート分布• 平均のオフセットにラプラス分布
ガウス分布にもとづく判別分析
事前分布による正則化
ベイジアンなら直截的に Σの値を制限するのではなく事前分布を使って正則化をすることも出来る
ここでは2種類紹介する• 分散に逆ウィシャート分布• 平均のオフセットにラプラス分布
おさらい:ベイズの公式
MAP推定では尤度だけでなく事前分布も推定に影響を与える
ガウス分布にもとづく判別分析
事前分布による正則化
ベイジアンなら直截的に Σの値を制限するのではなく事前分布を使って正則化をすることも出来る
ここでは2種類紹介する• 分散に逆ウィシャート分布• 平均のオフセットにラプラス分布
ガウス分布にもとづく判別分析
事前分布による正則化
ベイジアンなら直截的に Σの値を制限するのではなく事前分布を使って正則化をすることも出来る
ここでは2種類紹介する• 分散に逆ウィシャート分布• 平均のオフセットにラプラス分布
ガウス分布にもとづく判別分析
正則化判別分析
分散の事前分布として逆ウィシャート分布
をおくこのとき分散の推定量は以下( λ は ν0 で定まる量)
の非対角成分を薄めている感じ
(λ=1で対角LDAに一致)
ガウス分布にもとづく判別分析
正則化判別分析
分散の事前分布として逆ウィシャート分布
をおくこのとき分散の推定量は以下( λ は ν0 で定まる量)
次元が高すぎて( D>N )、 が計算出来ないときはデータ行列 X の特異値分解 を使うとよい
ガウス分布にもとづく判別分析
事前分布による正則化
ベイジアンなら直截的に Σの値を制限するのではなく事前分布を使って正則化をすることも出来る
ここでは2種類紹介する• 分散に逆ウィシャート分布• 平均のオフセットにラプラス分布
ガウス分布にもとづく判別分析
事前分布による正則化
ベイジアンなら直截的に Σの値を制限するのではなく事前分布を使って正則化をすることも出来る
ここでは2種類紹介する• 分散に逆ウィシャート分布• 平均のオフセットにラプラス分布
ガウス分布にもとづく判別分析
Nearest Shrunken Centroids Classifier
対角LDAですら高次元データには弱い→ Σは対角行列かつ各クラス共通に制限したうえで
さらに不要な特徴量を削りたい(L0 正則化に近い)
クラス平均 μc を各次元 j について、クラス共通の平均各クラスごとのオフセットという形に分解
この Δcj が0になろうとするような事前分布(中心0のラプラス分布)をおく→ すべての c についてΔcj=0 となれば特徴量 j は削れた!
ガウス分布にもとづく判別分析
Nearest Shrunken Centroids Classifier
対角LDAですら高次元データには弱い→ Σは対角行列かつ各クラス共通に制限したうえで
さらに不要な特徴量を削りたい(L0 正則化に近い)
クラス平均 μc を各次元 j について、クラス共通の平均各クラスごとのオフセットという形に分解
この Δcj が0になろうとするような事前分布(中心0のラプラス分布)をおく→ すべての c についてΔcj=0 となれば特徴量 j は削れた!
ガウス分布にもとづく判別分析
Nearest Shrunken Centroids Classifier
対角LDAですら高次元データには弱い→ Σは対角行列かつ各クラス共通に制限したうえで
さらに不要な特徴量を削りたい(L0 正則化に近い)
ガウス分布にもとづく判別分析
事前分布による正則化
ベイジアンなら直截的に Σの値を制限するのではなく事前分布を使って正則化をすることも出来る
ここでは2種類紹介する• 分散に逆ウィシャート分布• 平均のオフセットにラプラス分布
ガウス分布にもとづく判別分析
事前分布による正則化
ベイジアンなら直截的に Σの値を制限するのではなく事前分布を使って正則化をすることも出来る
ここでは2種類紹介する• 分散に逆ウィシャート分布• 平均のオフセットにラプラス分布
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立 単純ベイズ• 等分散&特徴量が独立 対角線形判別分析• 事前分布で正則化
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立 単純ベイズ• 等分散&特徴量が独立 対角線形判別分析• 事前分布で正則化 正則化判別分析
Nearest Shrunken Centroids Classifier
ガウス分布にもとづく判別分析
いろいろなガウス判別分析
パラメータへの制限や推定法によって、ガウス判別分析はいくつかの種類に分けられる
• 制限なし 2次判別分析 (QDA)• 等分散 線形判別分析 (LDA)• 特徴量が独立 単純ベイズ• 等分散&特徴量が独立 対角線形判別分析• 事前分布で正則化 正則化判別分析
Nearest Shrunken Centroids Classifier
ガウス分布による補間
補間とは
補間問題 (Interpolation)与えられたデータ点 {(xi,yi)} から定義域全体の関数 y(x) の振る舞いを推定すること(ふつう最小点と最大点のあいだのみを扱うことが多い)
機械学習の言葉でいえば回帰 (regression) にあたる
ガウス分布による補間
ノイズのないデータの補間
対象とする区間を D 等分し、そのi番目をyi = ƒ(xi)
とする。 ƒ はなめらかだと仮定して
とおく(両隣の平均+ずれ)
ただし
行列の形で書き直した
ガウス分布による補間
ノイズのないデータの補間
対象とする区間を D 等分し、そのi番目をyi = ƒ(xi)
とする。 ƒ はなめらかだと仮定して
とおく(両隣の平均+ずれ)
ただし
行列の形で書き直した
D 列
D-2 行
ガウス分布による補間
ノイズのないデータの補間
対象とする区間を D 等分し、そのi番目をyi = ƒ(xi)
とする。 ƒ はなめらかだと仮定して
とおく(両隣の平均+ずれ)
ただし
行列の形で書き直した