<div id="readability-page-1" class="page"><div id="wrap">
 <article id="post-Python-DS-123-gpr3" itemscope="" itemprop="blogPost">
 <div>
 
 <header>
 
 
 
 

 </header>
 
 
 
 
 
 <div itemprop="articleBody">
 

 

 

 <ul>
<li>Gaussian Process 연습입니다.</li>
<li>scikit-learn을 비롯한 예제를 재구성하여 연습합니다.</li>
<li>주의사항을 알려드립니다. Gaussian Process는 경계조건에 매우 취약합니다.</li>
</ul>
<h2 id="1-Gaussian-Process의-한계"><a href="#1-Gaussian-Process의-한계" title="1. Gaussian Process의 한계"></a>1. Gaussian Process의 한계</h2><blockquote>
<a target="_blank" rel="noopener" href="https://scikit-learn.org/stable/auto_examples/gaussian_process/plot_gpr_noisy_targets.html#sphx-glr-auto-examples-gaussian-process-plot-gpr-noisy-targets-py">scikit-learn: Gaussian Process Regression: basic introductory example</a>
</blockquote>
<ul>
<li>Gaussian Process는 적은 데이터로도 꽤 믿을만한 결과를 출력합니다.
</li>
<li>심지어 신뢰 구간까지 알 수 있어서 매우 정직해 보입니다.
</li>
<li>하지만 치명적인 단점이 있습니다.
</li>
<li><a href="https://jehyunlee.github.io/2022/11/16/Python-DS-121-gpr1/">지난 글</a>과 같은 예제를 사용합니다. <img src="https://jehyunlee.github.io/2022/11/19/Python-DS-123-gpr3/123_gpr3_3.png"> 
</li>
<li>모든 것이 정상으로 보입니다.
</li>
<li>합리적인 범위의 평균값(<code>GP prediction (mean)</code>)과 신뢰 구간(<code>95% CI</code>)을 보이고 있습니다.
</li>
<li>하지만 오른쪽 끄트머리를 보면, 조금 미심쩍습니다.
</li>
<li><div>참값이 신뢰 구간의 바닥에 겨우 걸려있습니다.<img src="https://jehyunlee.github.io/2022/11/19/Python-DS-123-gpr3/123_gpr3_8.png" alt="개그콘서트, &quot;불편한 진실&quot; "></div>
</li>
<li>극단적인 경우를 살펴봅니다.
</li>
<li>X 값의 범위로 참값의 좌우에 50씩을 보태 -50 ~ 60을 입력합니다.
</li>
<li>평균이 0, 95% 신뢰구간이 무려 10에 가까운 커다란 밴드가 생겼습니다.
</li>
<li><div>다항회귀를 해도 이렇지는 않을 것 같습니다.<img src="https://jehyunlee.github.io/2022/11/19/Python-DS-123-gpr3/123_gpr3_7.png"></div>
</li>
<li>Gaussian Process의 원리에 답이 있습니다.
</li>
<li>Gaussian 분포를 prior로 놓기 때문에 평균이 0입니다.
</li>
<li>학습 데이터(evidence)가 반영된 구간 안쪽은 그나마 괜찮지만 바깥쪽이 문제입니다.
</li>
<li>안쪽에서 학습을 시켜봐야 바깥쪽의 중심값이 0이라고 가정되어 있기 때문에 저런 일이 벌어집니다.
</li>
</ul>
<h2 id="2-비교"><a href="#2-비교" title="2. 비교"></a>2. 비교</h2><ul>
<li>조금 더 확실하게 확인합니다.
</li>
<li>위의 예제에 offset = $\pm 5$를 해서 새로운 참값을 만듭니다.
</li>
<li><div>그리고, 여기서 같은 X 좌표의 데이터들을 학습용으로 추출합니다.<img src="https://jehyunlee.github.io/2022/11/19/Python-DS-123-gpr3/123_gpr3_4.png"></div>
</li>
<li>여기에 똑같은 RBF 커널을 적용한 Gaussian Process를 적용하면 아래와 같은 결과가 나옵니다.
</li>
<li>좌우 그림에서 파란 선으로 표시한 평균값의 양 끝이 향하는 방향이 반대입니다. 
</li>
<li>offset=+5인 왼쪽 그림은 양 끝이 아래를 향하고 있고,
</li>
<li>offset=-5인 오른쪽 그림은 양 끝이 기를 쓰고 고개를 들려고 하고 있습니다.
</li>
<li><div>모두 0을 향하고 있습니다.<img src="https://jehyunlee.github.io/2022/11/19/Python-DS-123-gpr3/123_gpr3_5.png"></div>
</li>
<li>양 끝만 영향을 받는 것이 아닙니다.
</li>
<li>X = 6~8 사이 구간도 offset에 따라 달라집니다.
</li>
<li>0에서 먼 왼쪽 그림은 신뢰 구간이 비교적 얇은 반면 오른쪽은 두텁고 mean 값도 참값과 더 벌어져 있습니다.
</li>
</ul>
<h2 id="3-Solution"><a href="#3-Solution" title="3. Solution"></a>3. Solution</h2><ul>
<li>해결 방법은 생각보다 간단합니다.
</li>
<li>외삽(extrapolation)이 문제라면 외삽을 하지 않으면 됩니다.
</li>
<li>학습 데이터에 데이터 범위의 양 끝을 추가하면 모든 범위가 내삽이 됩니다.
<figure><table><tbody><tr><td><pre>1 2 3 4 </pre></td><td><pre> training_indices += [0, 999] Xp_train1, Xm_train1 = Xp[training_indices], Xm[training_indices] yp_train1, ym_train1 = yp[training_indices], ym[training_indices] </pre></td></tr></tbody></table></figure></li>
<li>그리고 같은 학습을 시키면 offset에 관계 없이 동일한 결과를 얻을 수 있습니다.
<figure><table><tbody><tr><td><pre>1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 </pre></td><td><pre>kernel = 1*RBF(length_scale=1.0, length_scale_bounds=(1e-2, 1e2)) fig, axs = plt.subplots(ncols=2, figsize=(6, 3), constrained_layout=True, sharex=True, sharey=True) for ax, X, y, X_train, y_train, title in zip(axs, [Xp, Xm], [yp, ym], [Xp_train1, Xm_train1], [yp_train1, ym_train1], ["offset = +5", "offset = -5"]): gpr = GaussianProcessRegressor(kernel, n_restarts_optimizer=9, random_state=0) gpr.fit(X_train, y_train) y_pred_mean, y_pred_std = gpr.predict(X, return_std=True) ax.plot(X, y, c="0.5", label="true") ax.scatter(X_train, y_train, label="sample") ax.plot(X.ravel(), y_pred_mean, c="b", label="GP prediction (mean)") ax.fill_between(X.ravel(), y_pred_mean-1.96*y_pred_std, y_pred_mean+1.96*y_pred_std, alpha=0.5, fc="cornflowerblue", label="95% CI") ax.axhline(0, c="g", lw=1) ax.set_title(title, pad=12) axs[0].legend(loc="lower right") </pre></td></tr></tbody></table></figure>
<img src="https://jehyunlee.github.io/2022/11/19/Python-DS-123-gpr3/123_gpr3_6.png"> 
</li>
</ul>
<h2 id="4-결론"><a href="#4-결론" title="4. 결론"></a>4. 결론</h2><ul>
<li>머신 러닝 기법들이 모두 그렇지만 외삽은 주의해야 합니다.</li>
<li>Gaussian Process는 prior의 존재로 인해 외삽에 더 취약할 수 있으니 각별히 주의해야 합니다.</li>
<li>본 글에 사용된 코드는 <a href="gpr3.ipynb">여기에서 다운받으실 수 있습니다.</a></li>
</ul>

 </div>
		<div>
		 <a href="https://www.buymeacoffee.com/jehyunlee" target="_blank">
			<img src="https://jehyunlee.github.io/about/src/images/coffee.png">
		 </a>도움이 되셨나요? 카페인을 투입하시면 다음 포스팅으로 변환됩니다
		</div>
		

</div>
 

</article>



 </div></div>

Pega Devlog

Pega

Gaussian Process 연습입니다.
scikit-learn을 비롯한 예제를 재구성하여 연습합니다.
주의사항을 알려드립니다. Gaussian Process는 경계조건에 매우 취약합니다.
1. Gaussian Process의 한계
scikit-learn: Gaussian Process Regression: basic introductory example
Gaussian Process는 적은 데이터로도 꽤 믿을만한 결과를 출력합니다.
심지어 신뢰 구간까지 알 수 있어서 매우 정직해 보입니다.
하지만 치명적인 단점이 있습니다.
지난 글과 같은 예제를 사용합니다.
모든 것이 정상으로 보입니다.
합리적인 범위의 평균값(GP prediction (mean))과 신뢰 구간(95% CI)을 보이고 있습니다.
하지만 오른쪽 끄트머리를 보면, 조금 미심쩍습니다.
참값이 신뢰 구간의 바닥에 겨우 걸려있습니다.
극단적인 경우를 살펴봅니다.
X 값의 범위로 참값의 좌우에 50씩을 보태 -50 ~ 60을 입력합니다.
평균이 0, 95% 신뢰구간이 무려 10에 가까운 커다란 밴드가 생겼습니다.
다항회귀를 해도 이렇지는 않을 것 같습니다.
Gaussian Process의 원리에 답이 있습니다.
Gaussian 분포를 prior로 놓기 때문에 평균이 0입니다.
학습 데이터(evidence)가 반영된 구간 안쪽은 그나마 괜찮지만 바깥쪽이 문제입니다.
안쪽에서 학습을 시켜봐야 바깥쪽의 중심값이 0이라고 가정되어 있기 때문에 저런 일이 벌어집니다.
2. 비교
조금 더 확실하게 확인합니다.
위의 예제에 offset = $\pm 5$를 해서 새로운 참값을 만듭니다.
그리고, 여기서 같은 X 좌표의 데이터들을 학습용으로 추출합니다.
여기에 똑같은 RBF 커널을 적용한 Gaussian Process를 적용하면 아래와 같은 결과가 나옵니다.
좌우 그림에서 파란 선으로 표시한 평균값의 양 끝이 향하는 방향이 반대입니다.
offset=+5인 왼쪽 그림은 양 끝이 아래를 향하고 있고,
offset=-5인 오른쪽 그림은 양 끝이 기를 쓰고 고개를 들려고 하고 있습니다.
모두 0을 향하고 있습니다.
양 끝만 영향을 받는 것이 아닙니다.
X = 6~8 사이 구간도 offset에 따라 달라집니다.
0에서 먼 왼쪽 그림은 신뢰 구간이 비교적 얇은 반면 오른쪽은 두텁고 mean 값도 참값과 더 벌어져 있습니다.
3. Solution
해결 방법은 생각보다 간단합니다.
외삽(extrapolation)이 문제라면 외삽을 하지 않으면 됩니다.
학습 데이터에 데이터 범위의 양 끝을 추가하면 모든 범위가 내삽이 됩니다.
그리고 같은 학습을 시키면 offset에 관계 없이 동일한 결과를 얻을 수 있습니다.
4. 결론
머신 러닝 기법들이 모두 그렇지만 외삽은 주의해야 합니다.
Gaussian Process는 prior의 존재로 인해 외삽에 더 취약할 수 있으니 각별히 주의해야 합니다.
본 글에 사용된 코드는 여기에서 다운받으실 수 있습니다.

Gaussian Process Practice (3) Beware Boundaries

댓글