journey of Froakie (ケロマツの旅路)

Introduction English ver 今日は写像の連続性の定義を位相を用いて行います。 こちらの記事 では位相の定義、開集合、開集合が位相の公理を満たすことを示しました。しかし、写像の連続性の定義は行いませんでした。この記事ではそれをやっていきます。重要なことであり、証明を書きます。 概要  開集合 $\epsilon-\delta$論法 開集合による写像の連続性の定義 同値の証明 開集合 (X,d)を距離空間とします。 $A \subset X$:開集合 $$\iff$$ $$\forall x \in A,~~\exists \epsilon > 0, ~~s.t.~~ B(x,\epsilon) \subset A$$ ここで、$$B(x,\epsilon):= \{y\in A| d(x,y) < \epsilon\}$$ この定義は位相の公理を満たすので位相として距離空間に入れることができます。そのことは前回の記事で書きました。 $\epsilon-\delta$ 論法 $\epsilon-\delta$論法について確認します。この論法は学部一年生で習うと思います。 f:X-> Y:写像で、 fが$x=x_0$で連続とは $$\iff$$ $$\lim_{x \rightarrow x_0} f(x) = f(x_0)$$ $$\iff$$ $$\forall \epsilon > 0,~~\exists \delta >0 ~~s.t~~ d(x,x_0) < \delta \implies d(f(x),f(x_0)) < \epsilon $$ 開集合を用いた写像の連続性の定義 Define1.0 $(X,\mathbb{O}_X),(Y,\mathbb{O}_Y)$を位相空間とします。 $f:X \rightarrow Y$が$x=x_0$で連続 $$\iff$$ $$f(x_0) \in \forall V:\textrm{open set} \subset Y~~,f^{-1} (V) \subset X ~~\textrm{is open set}$$ ここで、$\mathbb{O_X}$ an

Introduc tion 日本語 ver Today, I will write definition of continuity of function by definition of an open set. I wrote  this post about the definition of Topology space, open set, and a thing that open set satisfy the axiom of Topology, but I did not write about continuity of function by definition of an open set. Actually, It is very important. Overview  Open set $\epsilon-\delta$ reasoning definition of continuity of function by an open set Equivalence Open set Let (X,d) is distance space. $A \subset X$ is open set $$\iff$$ $$\forall x \in A,~~\exists \epsilon > 0, ~~s.t.~~ B(x,\epsilon) \subset A$$ here,$$B(x,\epsilon):= \{y\in A| d(x,y) < \epsilon\}$$ This definition of open set satisfies Axim of Topology. It written the last time post. $\epsilon-\delta$ reasoning I will explain the $\epsilon-\delta$ reasoning. This reasoning is learned in bachelor third student at Univ. Let f:X-> Y: map f is countinous where $x=x_0$ $$\iff$$ $$\lim_{x \r

Introduction English ver 今日は最尤推定について加工と思います。これは統計的推定でよく使われる手法です。最尤推定の例も書こうと思います。初めに尤度の説明をし、そのあとで最尤推定の説明をします。 概要 尤度 最尤推定 最尤推定の問題点 尤度 前提条件から得られる観察データを考えます。この時、えられた観測データに対して前提条件が尤もらしい条件であるかの値を尤度といいます。 なにをゆっているのかわからない人がほとんどだと思います。。。 尤度の例を扱っていきます。 コインを投げることを考えます。このコインは確率Pで表、確率1-Pで裏を出すコインだとします。 例えば、100回コインを投げたとき、全て表だったとします。この時このコインが表が出る確率はかなり1に近いことが予想されます。 ではもし、表が出る確率PがP=0.5だとします。この時、表が100回連続で出る確率は$0.5^{100} = 7.88860e-31$になります。あり得ない確率ですね。これがP=0.5としたときのもっともらしさです。つまり、あまり現実的ではないということです。 もしP=0.99とするとき、100回とも表が出る確率は$0.99^{100} = 0.3666....$となります。つまり、P=0.99としたときの尤度は0.36くらいということです。よって、P=0.5よりかは現実見があることになります。まだまだ低い数字ではありますが。 観測データである、100回表が出るという事象を固定したとき、尤度はPを変数としたP(100回表|P)を尤度関数と呼びます。この関数の値を尤度と呼びます。 尤度が高いほうが尤もらしい値、つまり理にかなっているなと感じることができる値ということになります。 例えば、先ほどの例でゆうと、 P=0.5としたときの尤度は7.88860e-31でした。P=0.99としたときの尤度は0.3666でした。よってP=0.5より、P=0.99のほうが尤もらしい自然な値ということになります。 最尤推定 最尤推定とは得られた観測データからデータが依存している分布のパラメーターを推測するための手法です。 最尤推定では尤度を最大化して、最も尤もらしいパラメーターを求めます。 確率密度関数

Introduction 日本語 ver Today, I will write about the Maximum likelihood estimation. This is basically the Statistics estimation. I want to explain an example of Maximum likelihood estimation. Firstly, I will explain likelihood. Secondly, I will likelihood function. Thirdly, I will explain the Maximum likelihood estimation. Overview likelihood Maximum likelihood estimation the problem of Maximum likelihood estimation likelihood Let we get the observation data by a precondition. When we estimate precondition by an observation data, the likelihood is a plausible value which indicated that its estimation is correct. Maybe, you can not understand this meaning. Also, I could not understand. I give you an example of likelihood. I throw a coin. this coin land heads up by probability P, and lands head on the reverse by probability 1-P. For example, when I throw 100 times a coin, all trial is head. Then, we estimate that probability P is 1.0. If let P=0.5, Probability t

Introduction English ver 今日は、カーネルK-meansの理論について書きます。カーネルK-meansは通常のK-meansの欠点を補うことができます。通常のK-meansの欠点とカーネルK-meansの強みも説明します。もし、まだ御覧になられていなければ、通常の K-means 理論編 の記事を見ていただけるとよいのではないかと思います。 カーネルK-meansの実装編 も併せてご覧ください。 概要 K-meansの弱点 カーネルトリック カーネルK-means アルゴリズム K-meansの弱点 例えば、次のようなデータを用意します。 このデータはK-meansによってうまく分類することはできません。なぜなら通常のK-meansでは、データとプロトタイプのユークリッド距離に依存しているからです。そのため、このような円状に分布しているデータはうまく分類することができません。 プロトタイプとはそれぞれのクラスにあり、そのクラスを代表するようなもののことです。K-meansでは各クラスの平均ベクトルとなります。それゆえ、以下のような分類になってしまいます。 このようなデータではK-meansはうまくいきません。 K-meansで分類できるデータセットは次のように各クラスで固まっている必要があります。 カーネルK-meansはK-meansの弱点を補います。 カーネルトリック 初めに、カーネルトリックを説明します。 線形分離できないようなデータ$X$を例えば次のように線形分離できるように$\phi(x)$に送る写像$\phi$を考えます。 カーネルは次のように定義されます。 $$K(x,y) = \phi(x)^T \phi(y)$$ $\phi$を具体的に計算することは難しいですが、$K(x,y)$を計算することなら簡単です。 この手法をカーネルトリックと呼ばれます。 カーネルK means K-meansの目的関数を復習しておきます。 $$J = \sum_{n=1}^{N} \sum_{k=1}^{K} r_{nk} ||x_n-\mu_k||^2$$ ここで、 プロトタイプは$\mu_i ~\forall k \in K$としま

Introduction 日本語 ver Today, I will write about a theorem of kernel K-means. The kernel K-means cover the weak point of K-means. I will explain this weak point of K-means and strong point of kernel K-means. If you have not looked yet, please look at the  Theorem of K-means. I implement kernel K-means. Its post is  Implement kernel K-means . Overview  A weak point of K-means Kernel trick  kernel K means Algorithm A weak point of K-means For example, I prepare the following dataset. It is impossible for this dataset to cluster by K-means because this data is distributed shape of the circle. K-means classify data in accordance with the Euclid distance between data and prototype. The prototype is representative of each class. A Prototype of K-means is mean vector. Thus, K-means classify dataset as follows. K-means does not work, if not so this like dataset. The dataset which is able to classify by K-means is consist of mass for each class. For example, Ker