기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[Linear Analysis] 최소제곱법에 의한 수학적 모형

최소제곱법에 의한 수학적 모형

관련된 내용

y=f(x)를 따르는 데이터에 대해 생각해 봅니다.

$$(x_1, y_2),\, (x_2, y_2), \, \cdot, \, (x_n, y_n)$$

위 데이터의 패턴을 찾는 것은 f(x)의 함수를 찾는 것과 같습니다. 이러한 함수를 수학적 모형이라 합니다. 이러한 함수의 몇가지 예를 나타내면 다음과 같습니다.

  • 직선: y=ax+b
  • 2차 다항식: y=a+bx+cx2
  • 3차 다항식: y=a+bx+cx2+dx3
x1=symbols("x1")
f=2+3*x1+4*x1**2+5*x1**3
df=f.diff(x1)
ddf=df.diff(x1)
x=np.linspace(-10, 10, 100)
y1=[f.subs(x1, i) for i in x]
y2=[df.subs(x1, i) for i in x]
y3=[ddf.subs(x1, i) for i in x]
fig, ax=plt.subplots(figsize=(4,3))
ax.plot(x, y1, color="r", label=r"$y=dx^{3} + cx^{2} + b x + a$")
ax.plot(x, y2, color="b", label=r"$y=c x^{2} + b x + a$")
ax.plot(x, y3, color="g", label=r"$y=b x + a$")
ax.legend( bbox_to_anchor=(0.8,1))
ax.set_xlabel("x", loc="right")
ax.set_ylabel("y", loc="top")
ax.set_ylim(-200, 200)
ax.spines['left'].set_position(("data", 0))
ax.spines['bottom'].set_position(("data", 0))
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(False)
plt.show()

실험적으로 획득한 다음의 데이터들에 대해 가장 간단한 모형인 직선을 고려해 봅니다.

$$(x_1, y_1), (x_2, y_2), \cdots , (x_n, y_n)$$

이 데이터들의 패턴으로 직선을 고려한다면 각 점들을 다음과 같이 나타낼 수 있습니다.

$$a+bx_1=\hat{y_1}, a+bx_2=\hat{y_2}, \cdots, a+bx_n=\hat{y_n}$$

위 식에서 각 식의 결과들을 y가 아닌 $\hat{y}$로 나타낸 것은 실험 결과에 의한 자료가 이론적으로 생성한 모형의 결과와 차이가 발생할 수 있기 때문입니다. 위 식을 행렬의 선형시스템의 형식으로 정리하여 보면 식 1과 같습니다.

$$\tag{식 1}\left[\begin{array}{rr}1&x_1\\1&x_2\\\vdots&\vdots\\1&x_n\end{array}\right]\left[\begin{array}{r}a\\b\end{array}\right]=\left[\begin{array}{r}y_1\\y_2\\\vdots\\y_n\end{array}\right] \rightarrow Mv=y$$

만약 위의 식을 $Mv=\hat{y}$로 나타냈다면 이 식은 자명한 해를 가지며 선형독립이 될 것입니다. 이것은 M을 구성하는 각 열벡터들은 $\hat{y}$에 대한 직교기저가 됩니다. 그러나 계산의 대상은 실제 값 y이므로 M의 열벡터들은 직교기저가 아닙니다. 즉, y와 $\hat{y}$ 사이에 오차가 존재하므로 정확한 해 대신 근사해를 계산해야 합니다. 이 계산은 식 2에 의해 이루어 집니다. (최소제곱해참조)

\begin{align} \tag{식 2}M^TMv&=M^Ty \\ v&=(M^TM)^{-1}M^Ty \end{align}

식 1과 2에 의해 생성된 식을 회귀식 또는 회귀모형(regression model)이라고 합니다. 실제값 y와 위 회귀모형에 의한 결과와 차이 즉, 오차를 잔차(residuals)라고 합니다(식 3).

\begin{align} \tag{식 3} d_1 &= |y_1 - (a+bx_1)|\\d_2 & = |y_2 - (a+bx_2)|\\ \qquad \vdots\\ d_n = |y_n - (a+bx_n)|\end{align}

식 3에서 d=잔차, 즉 회귀선의 값$\hat{y}$와 실제값 y 사이의 거리를 나타냅니다.

식 2가 성립하기 위해서는 $M^TM$가 역행렬이 존재하는 가역행렬이어야 합니다.

import numpy as np
 import numpy.linalg as LA
 from sympy import *

예 1)

(0, 1), (1, 3), (2, 4), (3, 4)이 4개의 점을 지나는 최소제곱직선(회귀직선)?

M=np.array([[1, 0], [1, 1],[1,2], [1,3]])
y=np.array([1, 3, 4, 4]).reshape(4, 1)
MtM=np.dot(M.T, M)
la.det(MtM).round(3)
20.0

$M^TM$은 가역행렬이므로 자명한 해를 가집니다. 즉, 모형의 계수가 1개씩만 존재합니다.

v=np.dot(np.dot(la.inv(MtM), M.T), y)
print(v)
[[1.5]
 [1. ]]

위 결과를 정리하면 회귀선(최소제곱선)은 다음과 같습니다.

y=1.5 + x

예 2)

다음은 어떤 스프링이 추의 무게에 따라 늘어난 길이에 대한 자료입니다. 이 결과에 대한 1차 직선모형?

weight(x) 0 2 4 6
length(y)6.17.68.7 10.4
M=np.array([[1, 0], [1, 2],[1,4], [1,6]])
y=np.array([6.1, 7.6, 8.7, 10.4]).reshape(4, 1)
MtM=np.dot(M.T, M)
la.det(MtM).round(3)
80.0
v=np.dot(np.dot(la.inv(MtM), M.T), y)
print(v)
[[6.1]
 [0.7]]

결과적으로 length = 6.1+0.7weight 입니다.

직선에 대한 적용을 최소자승 다항식에도 동일하게 적용할 수 있습니다. n개의 데이터에 대한 수학적 모형을 다식 4와 같이 구축할 수 있습니다.

\begin{align} \tag{식 4}&(x_1, y_1), (x_2, y_2), \cdots , (x_n, y_n)\\ & y=a_0+a_1x+a_2x^2+ \cdots + a_mx^m\end{align}

위 모형을 n개의 데이터에 적용하여 행렬형태로 정리하면 식 5와 같습니다.

\begin{align} \tag{식 5}& \left[\begin{array}{rrrrr}1&x_1&x_1^2&\cdots&x_1^m\\1&x_2&x_2^2&\cdots&x_2^m\\\vdots&\vdots&\vdots&\vdots&\vdots\\1&x_n&x_n^2&\cdots&x_n^m\end{array}\right]\left[\begin{array}{r}a_0\\a_1\\a_2\\\vdots\\a_m\end{array}\right]=\left[\begin{array}{r}y_0\\y_1\\y_2\\\vdots\\y_n\end{array}\right] \rightarrow Mv=y\\ & v=(M^TM)^{-1}M^Ty\end{align}

예 2)

어떤 물체가 수직으로 하강할 경우 뉴턴의 제2 법칙을 따른다고 합니다.

\begin{align} s& =s_0+v_0t+\frac{1}{2}gt^2\\s, s_0:&\;\text{하강거리, 시간(t)가 0일 때의 위치}\\ v_0, g:&\;\text{t=0일 때의 속도(v),중력가속도}\end{align}

실제 데이터가 다음과 같을 때 수학적 모형?

Time(sec, x) distance(y)
0 1 -0.18
1 2 0.31
2 3 1.03
3 4 2.48
4 5 3.73
s0=np.ones(5)
t=np.array([1,2,3,4,5])
t2=t**2
M=np.c_[s0, t, t2]
s=np.array([-0.18, 0.31, 1.03, 2.48, 3.73]).reshape(-1, 1)
print(M)
[[ 1.  1.  1.]
 [ 1.  2.  4.]
 [ 1.  3.  9.]
 [ 1.  4. 16.]
 [ 1.  5. 25.]]
print(s)
[[-0.18]
 [ 0.31]
 [ 1.03]
 [ 2.48]
 [ 3.73]]
mtm=M.T@M
la.det(mtm).round(3)
700.0
v=np.dot(np.dot(la.inv(mtm), M.T),y)
print(v)
[[-0.398 ]
 [ 0.0347]
 [ 0.1607]]

위 결과에 의하면 다음과 같이 정리 할 수 있습니다.

$$s = -0.398+0.0347t+0.1607t^2$$

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...