情報科学 › 機械学習の数学 › なぜ機械学習に数学が必要か

ガウス雑音のもとで最尤推定は最小二乗法に一致する

定理 5.2(「なぜ機械学習に数学が必要か」§5) ・ ✓公理まで証明済み

x1,…,xn∈Rd\boldsymbol{x}_1,\ldots,\boldsymbol{x}_n\in\mathbb{R}^d を固定された(確率的でない)入力、σ>0\sigma>0 を既知の定数とし、観測値が

yi=⟨w,xi⟩+εi(i=1,…,n)y_i = \langle\boldsymbol{w},\boldsymbol{x}_i\rangle + \varepsilon_i \qquad (i=1,\ldots,n)

で生成されるとする。ここで ε1,…,εn\varepsilon_1,\ldots,\varepsilon_n は独立に正規分布 N(0,σ2)\mathcal{N}(0,\sigma^2) に従うとする。このとき w\boldsymbol{w} の最尤推定量の集合は、二乗損失 L(w)=12n∥Xw−y∥2L(\boldsymbol{w})=\frac{1}{2n}\|X\boldsymbol{w}-\boldsymbol{y}\|^2 の最小点の集合と一致する。

本文で読む(証明と前後の説明)→

閉包の状態

✓ 公理まで証明済み

証明が使う定理を 前提 としてたどると、Rikai の中の証明だけで定義・公理(物理では基本仮定)までつながっています。

印の意味: ✓公理まで証明済み ・ △証明あり(閉包未完)・ ※主張のみ。テーマごとの集計は 閉包の状況。

前提をたどる 証明が使う定理・定義

証明は Rikai の他の定理を参照していません(定義と論理だけで示されています)。

これを使っている定理

証明で明示的に参照している定理は、まだありません。