Computazione per l’interazione naturale: fondamenti...
Transcript of Computazione per l’interazione naturale: fondamenti...
Corso di Interazione uomo-macchina II
Prof. Giuseppe Boccignone
Dipartimento di Scienze dell’InformazioneUniversità di Milano
[email protected]://homes.dsi.unimi.it/~boccignone/l
Computazione per l’interazione naturale:
fondamenti probabilistici (2)
Probabilità
//assiomi:definizione formale
• L’insieme dei possibili valori osservati (risultati dell’osservazione di un processo casuale) definisce uno spazio campione
• Un evento A ! è un insieme di valori dallo spazio campione. La classe F
dei possibili eventi soddisfa le proprietà seguenti:
• Su F è definita una misura di probabilità P : F ! IR, che soddisfa le proprietà
seguenti:
Probabilità condizionata
• Sia B un evento a probabilità non nulla (P(B) > 0). La probabilità condizionata di un evento A dato B è definita come
• Se P(A"B) = P(A)P(B), e quindi P(A | B) = P(A), allora i due eventi sono detti
indipendenti.
Variabili aleatorie
• Una variabile casuale (o random) è una funzione
• Se, dato può assumere soltanto valori interi, allora X è una variabile casuale discreta, altrimenti viene detta continua.
• Una distribuzione (cumulativa) di probabilità è una funzione
• tale che FX(x) = P(X ! x). Per tale funzione valgono le seguenti
Distribuzione di probabilità
• Se X può assumere un insieme finito di possibili valori, è possibile definire la distribuzione (di massa) di probabilità
• tale che pX(x) = P(X = x). Valgono:
Densità di probabilità
• Se X è continua e FX è derivabile ovunque, possiamo definire la densità di
probabilità
• Dalla definizione di derivata:
• Altre proprietà
Valore atteso
• X variabile casuale discreta con distribuzione pX(x), g : generica
funzione, allora g(X) è variabile casuale e possiamo definire il suo valore atteso come:
• X variabile casuale continua
Valore atteso: proprietà
Varianza
• La varianza di una variabile casuale X
• Vale allora:
• Inoltre
Distribuzioni utili
Distribuzioni discrete
//Bernoulli
• Probabilità che, data una moneta con probabilità di “testa” uguale a p, un suo lancio abbia “testa” come esito.
• Media
• Varianza
=
Distribuzioni discrete
//Binomiale
• probabilità che, data una moneta con probabilità di “testa” uguale a p, n suoi lanci indipendenti diano x volte “testa” come esito.
• Media
• Varianza
n=10,
p=0.25
Distribuzioni discrete
//Poisson
• probabilità che, dato un evento che può avvenire in media lambda volte per unità di tempo, l’evento compaia x volte nell’unità di tempo.
• Media
• Varianza
lambda = 2;
x = poissrnd(lambda,1,1000);
hist(x)
Distribuzioni continue
//Uniforme
• probabilità costante tra a e b, 0 altrove.
• Media
• Varianza
Distribuzioni continue
//Esponenziale
• probabilità che l’intervallo tra due eventi successivi in un processo di Poisson con parametro abbia lunghezza x
• Media
• Varianza
Distribuzioni continue
//Normale o Gaussiana
• Media
• Varianza
Distribuzioni continue
//Normale o Gaussiana
• Media
• Varianza>> mu=0;
>> sigma=2;
>> x=-10:0.1:10;
>> y = normpdf(x,mu,sigma);
>> plot(x,y)
Distribuzioni continue
//Normale o Gaussiana
• Media
• Varianza>> mu=0;
>> sigma=2;
>> x = normrnd(mu,sigma,1,100000);
>> hist(x)
• Usata come a priori sul parametro della Binomiale
• dove è la funzione Gamma
• Media
• Varianza
Distribuzioni continue
//Beta
Distribuzione Beta
in funzione degli iperparametri a,b
• Usata come a priori sulla varianza della Normale o sulla Poisson
• dove è la funzione Gamma
• Media
• Varianza
Distribuzioni continue
//Gamma
Distribuzione Gamma
in funzione degli iperparametri a,b
Estensione a due variabili casuali
//distribuzioni cumulative congiunte e marginali
• Date due variabili casuali continue X, Y , la distribuzione di probabilità cumulativa congiunta è definita come
• Valgono le seguenti
• Data la distribuzione cumulativa di probabilità congiunta FXY (x, y) le distribuzioni cumulative marginali di probabilità FX e FY sono definite come
Estensione a due variabili casuali
//distribuzioni di probabilità congiunte e marginali
• Date due variabili casuali discrete X, Y
• valgono le seguenti
• Data la distribuzione di probabilità pXY (x, y) le distribuzioni marginali di probabilità pX e pY sono definite come
• Se FXY (x, y) è dovunque derivabile rispetto sia a x che a y, allora la densità di probabilità congiunta è definita come
• vale
• Data la densità di probabilità cumulativa fXY (x, y) le densità marginali di probabilità fX e fY sono definite come
Estensione a due variabili casuali
//densità di probabilità congiunte e marginali
• Date due variabili casuali X, Y discrete , la probabilità condizionata di X rispetto a Y è definita come
• X, Y continue
Estensione a due variabili casuali
//probabilità condizionate
• X, Y discrete
• X, Y continue
Estensione a due variabili casuali
//Teorema di Bayes
• Due variabili casuali sono indipendenti se
• ovvero
Estensione a due variabili casuali
//indipendenza
• Date due variabili casuali X, Y discrete e una funzione il valore atteso di g è
• X, Y continue
• Valgono le seguenti
Estensione a due variabili casuali
//valore atteso
• Date due variabili casuali X, Y , la loro covarianza è definita
• come nel caso della varianza:
• Valgono inoltre:
Estensione a due variabili casuali
//covarianze
• Date n variabili causali X1,X2, . . . ,Xn
• valgono
• Per ogni Xi è definita la marginale
Estensione a n variabili casuali
• Date n variabili casuali discrete, la distribuzione di probabilità congiunta
• per la quale valgono:
• La distribuzione di probabilità marginale è
Estensione a n variabili casuali
//caso discreto
• Se la F è derivabile, la densità di probabilità congiunta è definita
• quindi
• La densità marginale di probabilità è
Estensione a n variabili casuali
//caso continuo
• Dalla definizione di probabilità condizionate:
Estensione a n variabili casuali
//regola del prodotto
• Date una distribuzione f(x1, x2, . . . , xn) e una funzione
Estensione a n variabili casuali
//valore atteso
• Dato un insieme X1,X2, . . . ,Xn di variabili casuali, è possibile definire il vettore aleatorio
• Anche una funzione è rappresentabile come vettore
Estensione a n variabili casuali
//covarianza
• Dato il vettore la sua matrice di covarianza è la matrice n x n tale che, per ogni coppia i, j
• ovvero:
Estensione a n variabili casuali
//covarianza
• è matrice simmetrica:
• per definizione di covarianza
• è definita positiva:
• per qualunque vettore z:
• ma
Estensione a n variabili casuali
//covarianza
• Un vettore aleatorio ha una distribuzione normale di media e matrice di covarianza di dimensione n x n
Estensione a n variabili casuali
//il caso Gaussiano
forma quadratica di x
• I contorni di densità costante sono determinati dalla matrice di covarianza
• Per esempio in 2D
Estensione a n variabili casuali
//il caso Gaussiano
Forma generale Forma diagonale
(allineata con gli assi)
Forma isotropa
(matrice identità)
Distribuzione Normale multivariata:
//il caso multivariato
• Consideriamo il caso della matrice di covarianza diagonale
• allora
• ovvero
Distribuzione multivariata =
prodotto di n distribuzioni
gaussiane univariate, ognuna
relativa ad una coordinata xi
• soddisfa l’equazione agli autovettori
• reale e simmetrica: i suoi autovalori i sono tutti reali e possiamo scegliere un insieme di autovettori ortonormali
• Sostituendo all’interno della forma quadratica
• Indicando con la proiezione di
lungo la direzione di ui
Distribuzione Normale multivariata:
//il caso multivariato: geometria della Gaussiana
• Valgono le seguenti come nel caso univariato
Distribuzione Normale multivariata:
//medie e covarianze
• Siano
• La somma è ancora distribuita normalmente
• Si noti che la distribuzione di z = x + y è cosa diversa dalla somma delle distribuzioni di x e y (che in generale non è gaussiana).
Distribuzione Normale multivariata:
//somma di variabili gaussiane indipendenti
• Sia con
• La distribuzione di x è la congiunta
Distribuzione Normale multivariata:
//congiunta, marginale e condizionata di v.a.g.
• La distribuzione di x è la congiunta
• Marginali:
• Condizionate
Distribuzione Normale multivariata:
//congiunta, marginale e condizionata di v.a.g.
• La distribuzione di x è la congiunta
• Marginali:
• Condizionate
Distribuzione Normale multivariata:
//congiunta, marginale e condizionata di v.a.g.
• Siano
• La probabilità a posteriori vale:
• Inoltre:
Distribuzione Normale multivariata:
//formula di Bayes
• E’ la generalizzazione a più eventi (e.g., lancio di dadi) della bernoulliana
• Variabile discreta che prende 1 di K valori (Bernoulli, K=2)
• Rappresentazione 1-of-K:
• Sia p(xk=1) =
• allora:
Distribuzioni discrete multivariate
//Bernoulli generalizzata e Multinomiale
Distribuzioni discrete multivariate
//Bernoulli generalizzata e Multinomiale
• E’ la generalizzazione a più eventi (e.g., lancio di dadi) della binomiale
• Variabile discreta che prende 1 di K valori (binomiale, K=2)
• Generalizza la distribuzione Beta
• Molto usata come distribuzione a priori sui parametri della Multinomiale
• Per K=3
Distribuzioni discrete multivariate
//Distribuzione di Dirichlet
Statistica Bayesiana
• La base è sempre il teorema di Bayes
• Definizione di distribuzione coniugata:
Distribuzioni e coniugate
Statistica Bayesiana
//metodologia generale
• Obiettivo: predire un dato x sulla base di n osservazioni S = {x1, . . . , xn}
• Tre step:
• Specifica del modello h con parametri di tuning per la generazione dei dati in S
• Inferenza (learning dei parametri)
• Predizione
Modello o
ipotesi h
• Rinunciando ad un approccio completamente Bayesiano, si possono ottenere stime puntuali dei parametri
• Stima Maximum A Posteriori (MAP)
• Stima di massima verosimiglianza (Maximum Likelihood, ML)
Statistica Bayesiana
//stime puntuali
Esempio: stima di massima verosimiglianza
• Insieme di campioni x1, . . . , xn da distribuzione Gaussiana di parametri ignoti (identicamente distribuiti)
• Campioni estratti indipendentemente:
• allora
• oppure usando la log-verosimiglianza
• Se con covarianza nota e media da stimare
• per il singolo campione
• derivando il secondo termine rispetto a (il primo è costante rispetto a teta)
• per tutti i campioni
• ponendo uguale a 0
Esempio: stima di massima verosimiglianza
// della Gaussiana
media empirica
• Se con covarianza e media da stimare
• per il singolo campione
• derivando il secondo termine rispetto a e ripetendo il procedimento di prima
Esempio: stima di massima verosimiglianza
// Parametri della Gaussiana
media empirica
covarianza empirica
• Per un singolo lancio uso Bernoulli
• Likelihood per N lanci indipendenti
• Stima ML
• Quindi se dopo N=3 lanci osservo S = {C, C, C} allora
Esempio: stima di massima verosimiglianza
// lancio di moneta
1 se il lancio ha dato
“testa” come esito
0 altrimenti
= 0
= 0 :-(
• Nel setting ML (frequentistico) in realtà con N piccolo ottengo conclusioni fuorvianti (la moneta è sicuramente truccata: darà sempre CCCCCCC....)
• Approccio Bayesiano:
Esempio: stima Bayesiana
// lancio di moneta
funzione di
likelihood:
distribuzione
di Bernoulli a priori coniugata di
Bernoulli:
distribuzione Betaa posteriori:
distribuzione Beta
• Approccio Bayesiano:
Esempio: stima Bayesiana
// lancio di moneta
funzione di
likelihood:
distribuzione
di Bernoulli a priori coniugata di
Bernoulli:
distribuzione Betaa posteriori:
distribuzione Beta
a priori coniugata di
Bernoulli:
distribuzione Beta
funzione di
likelihood:
distribuzione
di Bernoulli
a posteriori:
distribuzione Beta
• Approccio Bayesiano:
• Uso come stima il valore atteso della Beta
Esempio: stima Bayesiana
// lancio di moneta
funzione di
likelihood:
distribuzione
di Bernoulli a priori coniugata di
Bernoulli:
distribuzione Betaa posteriori:
distribuzione Beta
a posteriori:
distribuzione Beta
• Uso come stima il valore atteso della Beta
• Anche se uso un a priori uniforme
• Quindi se dopo N=3 lanci osservo S = {C, C, C} allora
Esempio: stima Bayesiana
// lancio di moneta
= 0.2 ;-)
• Non a caso abbiamo utilizzato come stima il valore atteso della Beta
• Implicitamente abbiamo usato lo Step 3: predizione Bayesiana:
• Nel nostro esempio
Esempio: stima Bayesiana
// lancio di moneta
• Qual è la relazione con la stima di massima verosimiglianza?
• Per infiniti lanci
• ovvero:
• Infatti per T e N >> e
Esempio: stima Bayesiana
// lancio di moneta
• Posso usare la formula di Bayes in modo ricorsivo (sequenziale)
• ad ogni lancio, osservo T o C e uso come a priori la posteriori (Beta) del lancio precedente, quindi effettuo la predizione
• S={C,C,C}
• S={C,C,C,T}
Esempio: stima Bayesiana
// lancio di moneta
aggiorno la mia
credenza a priori
osservo
osservo
predìco
predìcoaggiorno la mia
credenza a priori
inferenza
inferenza
• Nel nostro modello h possiamo calcolare in forma chiusa anche la verosimiglianza marginale o evidenza (dei dati)
• Ricordando che
• Usando Bayes
Esempio: stima Bayesiana
// lancio di moneta
• Abbiamo supposto di avere un modello M = h
• Cosa succede se avessimo due modelli possibili?
Esempio: stima Bayesiana di modelli
// lancio di moneta
• Si supponga di avere K possibili modelli M1, . . . ,MK per i dati osservati S
• Sia p(S|Mi) la distribuzione dei dati generati dal modello Mi (l’evidenza)
• Possiamo allora valutare la plausibilità del modello....con Bayes!!
Esempio: stima Bayesiana di modelli
// lancio di moneta
preferenza iniziale del
modello
• Definizioni
Esempio: stima Bayesiana di modelli
// lancio di moneta
prior odds ratio
fattore di Bayes
rapporto degli odds a
posteriori
(posterior odds ratio)
• Supponiamo che la moneta sia lanciata N = 250 volte, con T = 141 esiti Testa e N " T = 109 esiti Croce.
• Vogliamo capire se la moneta è truccata (biased). Ipotizziamo due modelli
Esempio: stima Bayesiana di modelli
// lancio di moneta
Modello M0
la moneta non è
truccata, non ci sono
parametri da stimare
Modello M1
la moneta è truccata, il
parametro è aleatorio
• Supponiamo che la moneta sia lanciata N = 250 volte, con T = 141 esiti Testa e N " T = 109 esiti Croce.
Esempio: stima Bayesiana di modelli
// lancio di moneta
Modello M0
la moneta non è
truccata, non ci sono
parametri da stimare
Modello M1
la moneta è truccata, il
parametro è aleatorio
• Supponiamo che la moneta sia lanciata N = 250 volte, con T = 141 esiti Testa e N " T = 109 esiti Croce.
Esempio: stima Bayesiana di modelli
// lancio di moneta
Esempio: stima Bayesiana di modelli
// lancio di moneta
Esempio: stima Bayesiana di modelli
// lancio di moneta (da MacKay)
Stima Bayesiana di modelli
// Il rasoio di Occam
!"#$%&"'()*+,"-.%(/"012(
!"##"$%&'(&)*+,$%&
-.#/0$#"12&%/31&45650&75&
8'3"159&:"1,'/1&45*533"12;<&
Entia non sunt
multiplicanda praeter
necessitatem
Modello che spiega molti dati
ma troppo complesso
Modello semplice
ma spiega pochi datiModello intermedio
• Posso approssimare:
• Se assumiamo inoltre che la distribuzione a priori sia uniforme all’interno di un largo intervallo
Stima Bayesiana di modelli
// Il rasoio di Occam
Stima Bayesiana di modelli
// Il rasoio di Occam
probabilità di osservare
il training set se il
parametro
del modello Mi assume
il valore più probabile
quantità che cresce al diminuire di
ovvero quanto più la distribuzione a
posteriori di è concentrata sul valore
derivato dall’osservazionedi S,
e quindi quanto più esso va a
modellare in modo preciso gli elementi
nel training set