2019 ML TD3

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 3

ML – Machine Learning– 2020fev année 2019-2020

TD 3 - Descente de gradient, Modèles linéaires

Exercice 1 – Apéro

Q 1.1 Parmi les fonctions suivantes, lesquelles sont convexes :



f (x) = xcos(x), g(x) = −log(x) + x2 , h(x) = x x, t(x) = −log(x) − log(10 − x) ?
Q 1.2 Soit une application linéaire f ∈ Rn → R ; rappeler ce qu’est le gradient de f : ∇f (x). Donner
le gradient de f (x) = 2x1 + x22 + x2 x3
Q 1.3 Exprimer ∇x (f (x) + g(x)), ∇x tf (x).
Donner l’expression de ∇x b0 x avec b ∈ Rd et ∇x x0 Ax pour A symétrique.

Exercice 2 – Régression linéaire

Soit un ensemble de données d’apprentissage D = {xi , y i }i=1,...,N , xi ∈ R, y i ∈ R.


Par convention que l’on suivra dans toute la suite du cours, la matrice de données sera notée X, où
chaque ligne correspond à un exemple. La matrice Y des réponses est donc une matrice colonne ; la
matrice W des poids également. L’erreur sur D sera notée C(W ).
Q 2.1 Résolution analytique
Q 2.1.1 Rappeler le principe de la régression linéaire. Quelle fonction d’erreur C(W ) est utilisée ?
Q 2.1.2 Quelles sont les dimensions des matrices X, W et Y ? Rappeler la formulation matricielle
de l’erreur.
Q 2.1.3 Trouver analytiquement la matrice W solution de la régression linéaire, qui minimise C(W ).
Q 2.1.4 Même question si l’on considère maintenant une machine linéaire avec biais. Quelle est la
valeur optimale du biais w0 dans ce cas ?
Q 2.2 Rappeler le principe de l’algorithme de descente du gradient. Donner son application au cas de
la régression linéaire.
Q 2.3 On considère dans la suite un problème à 2 dimensions.
Q 2.3.1 Tracer l’espace des paramètres en 2D. Positionner arbitrairement les points w0 , point initial,
et w∗ , solution analytique du problème. Etant donnée la nature quadratique du coût, tracer les iso-
contours de la fonction de coût dans l’espace des paramètres. Quelle est la forme de la fonction de coût
C(w0 ) dans l’espace des paramètres ?
Q 2.3.2 Dessiner le vecteur ∇C(w0 ). A quoi correspond ce vecteur géométriquement ?

Exercice 3 – Régression logistique

Q 3.1 On considère un ensemble de données X muni d’étiquettes binaires Y = {0, 1}. En régression
logistique, on considère que
 le log-rapport
 des probas conditionnelles p(y|x) peut être modélisé par une
p(y|x)
application linéaire : log (1−p(y|x)) = θ.x.
• Quel est le but ?
• Quelle étiquette prédire pour x si θ.x > 0 ?
• Que vaut p(y|x) ? Tracer la fonction p(y|x) en fonction de θ.x.
ML – Machine Learning– 2020fev page 2

• En déduire le type de frontière que la regression logistique permet de déterminer


Q 3.2 Pour une dimension xi , quelle est l’influence de sa valeur pour p(y|x) ? Quelle est la limite de
la régression logistique ?
Q 3.3 Soit θ les paramètres recherchés. Quelle est l’expression de la vraissemblance conditionnelle de
theta par rapport à un exemple (x, y) ? La log-vraissemblance ? Et sur un ensemble d’exemples D ?
Q 3.4 Proposer un algorithme pour résoudre le problème de la régression logistique.

Exercice 4 – Optimisation d’un modèle gaussien par descente de gradient

Nous disposons ici d’un jeu de données non-étiquetées : D = {xi }i=1,...,N , xi ∈ Rd .


Nous souhaitons apprendre en mode non supervisé un modèle gaussien correspondant aux données de
D. Le modèle gaussien est défini par un ensemble de paramètres {µ, Σ}
Q 4.1 Exprimez la log-vraisemblance en supposant les exemples de D statistiquement indépendants.
Q 4.2 Solution analytique
Q 4.2.1 Que vérifie la solution W ? du maximum de vraisemblance ? Montrez que la solution W ? du
maximum de vraisemblance correspond à la moyenne et la covariance empirique des données D dans
le cas où Σ est une matrice diagonale.
Q 4.3 Méthode de gradient
Q 4.3.1 Déterminez le gradient de la vraisemblance en un point W0 .
Q 4.3.2 Ecrire deux algorithmes de gradient batch et stochastique permettant d’apprendre une loi
gaussienne à partir de D.

Exercice 5 – Évaluation(s) de l’erreur

Q 5.1 Rappelez la fonction coût au sens des moindres carrés sur un problème d’apprentissage binaire.
Proposer quelques exemples pour montrer que les échantillons correctement classés participent à la
fonction coût.
Q 5.2 En faisant appel à vos connaissances sur le perceptron, proposez une nouvelle fonction coût ne
pénalisant que les points mals classés.
Q 5.3 En imaginant une fonction f de complexité infinie (capable de modéliser n’importe quelle
frontière de décision), tracez à la main la frontière de décision optimale au sens des coûts définis
précédemment pour le deux problèmes jouets de la figure 1. Ces frontières sont-elles intéressantes ?
Quels problèmes se posent ?

Exercice 6 – Perceptron

Q 6.1 Soit w = (2, 1) le vecteur de poids d’une séparatrice linéaire. Dessinez cette séparatrice dans
le plan. Précisez sur le dessin les quantités < w, x > par rapport à un exemple x bien classé et mal
classé. Que se passe-t-il pour le produit scalaire dans le cas d’un exemple mal classé avec la mise-à-jour
w ← w + yx ?
Q 6.2 Comment sont les classifieurs suivants par rapport à celui de la question précédente : w1 =
(1, 0.5), w2 = (200, 100), w3 = (−2, −1) ?
Q 6.3 Montrez que l’algorithme du perceptron correspond à une descente de gradient. La solution
est-elle unique ?
ML – Machine Learning– 2020fev page 3

1.5 1

0.5

0.5

0
0

-0.5
-0.5

-1

-1
-1.5 -1 -0.5 0 0.5 1 1.5 0 0.5 1 1.5 2 2.5 3 3.5 4

Figure 1 – Gaussiennes non séparables linéairement

Q 6.4 Quel problème peut-il se poser pour certaines valeurs de w ? Comment y rémédier ?
Q 6.5 Donner un perceptron qui permet de réaliser le AND logique entre les entrées binaires x1 et x2
(positif si les deux sont à 1, négatif sinon) et un autre pour le OR logique.
Q 6.6 Nous allons augmenter l’expressivité du modèle en étendant l’espace de représentation ini-
tial dans le cas 2D : x = [x1 , x2 ]. SoitPla transformation φ suivante : φ(x) = [1, x1 , x2 , x21 , x22 , x1 x2 ],
considérons le modèle linéaire f (xi ) = j φj (xi )wj .
• Quelle est la dimension du vecteur w dans ce cas ?
• A quoi correspond la projection phi ?
• Retracer les frontières de décision optimales sur la figure en utilisant cette nouvelle représentation.
• Pouvons nous retrouver les frontières linéaires de la question précédente dans ce nouvel espace ?
Dans l’affirmative, donner les coefficients wj associés.
Q 6.7 Les frontières sont-elles plus intéressantes en utilisant la première ou la seconde représentation
des données ? Pouvez vous comparer grossièrement l’amplitude de la fonction coût (au sens des moindres
carrés par exemple) dans les cas linéaires et quadratiques ? Qu’en déduire ? Sur quel élément vous basez
vous pour mesurer la qualité du modèle créé ?
Q 6.8 Afin d’augmenter l’expressivité de notre classe de séparateur, nous nous tournons vers les
représentations gaussiennes. Nous créons une grille de points pi,j sur l’espace 2d, puis nous mesurons
||x−pi,j ||2
la similarité gaussienne du point x par rapport à chaque point de la grille : s(x, pi,j ) = Ke− σ .
La nouvelle représentation de l’exemple est le vecteur contenant pour chaque dimension la similarité
de l’exemple à un point de la grille.
• Quelle est la dimension du vecteur w ?
• Donnez l’expression littérale de la fonction de décision.
• Quel rôle joue le paramètre σ ?
Q 6.9 Introduction (très) pragmatique aux noyaux
• Que se passe-t-il en dimension 3 si nous souhaitons conserver la résolution spatiale du maillage ?
• Afin de palier ce problème, nous proposons d’utiliser la base d’apprentissage à la place de la
grille : les points servant de support à la projection seront ceux de l’ensemble d’apprentissage.
Exprimer la forme littérale de la fonction de décision dans ce nouveau cadre. Quelle est la nouvelle
dimension du paramètre w ?
• Que se passe-t-il lorsque σ tend vers 0 ? vers l’infini ? A-t-on besoin de toutes les dimensions de
w ou est-il possible de retrouver la même frontière de decision en limitant le nombre de données
d’apprentissage ? A quoi cela correspond-il pour ||w|| ?

Vous aimerez peut-être aussi