Segmented Least Squares
2020-1학기, 대학에서 ‘알고리즘’ 수업을 듣고 공부한 바를 정리한 글입니다. 지적은 언제나 환영입니다 :)
사실 이번에 다룰 <Segmented Least Squares>는 정규 수업의 수업 PPT에 한 페이지 등장한게 전부인 알고리즘 입니다. 교재인 『Algorithms(Dasgupta)』에는 기술되어 있지 않은 주제입니다. 🤪
<Linear Regression Problem>의 가장 기본적인 접근인 <Least Square Method>는 잔차제곱합(residual square sum)이 최소가 되도록 regression 함수를 유도한다.
Image from kartikkukreja' article
<LS Method>에 대해 더 궁금하다면, “Introduction to Linear Regression” 아티클을 읽을 것을 추천한다 😉
그.러.나. 때로는 주어진 데이터에 대한 regression 식을 하나의 선형 모델로 표현하기 어려운 경우가 많다. 이 경우는 차수(degree)를 높여 곡선으로 모델을 fitting 하거나 구간을 나누어 각 구간 별로 regression fitting을 하는 방법이 있다.
이번에 다룰 주제인 <Segmented Least Squares> 방법은 후자의 방식으로 도메인을 분할해 얻은 segment에 대해 regression fitting을 하는 방식이다.
Image from kartikkukreja' article
위의 그림은 도메인을 3개의 segment로 분할해 regression fitting 한 결과이다. 일반적으로 도메인을 분할해 fitting 하는 경우, 도메인을 얼마나 나눌지 그리고 어디에서 나눌지 미리 정하고 fitting을 진행한다. 즉, segment selection을 진행해야 한다는 말이다. 그러나 <Segmented Least Squares> 기법을 사용하면 얼마나 나눌지 어디에서 나눌지를 알아서 결정해 fitting 한 결과를 보여준다!! 😲
<Segmented Least Squares> 문제를 기술하면 아래와 같다.
For the set of $n$ points in the plane $(x_1, y_1), …, (x_n, y_n)$ with $x_1 \le \cdots \le x_n$.
Let $S(a, b)$ the subset of points where $S(a, b) = \{ (x_i, y_i) \mid a \le i < b \}$, and then let $E(S(a, b))$ be the residual sum of the fitting for $S(a, b)$.
Then, the total residual error is
\[E = \sum_i E(S(t_i, t_{i+1})) \quad \text{where} \quad [t_i, t_{i+1}) \in [x_1, x_n]\]Find a poly-line that minimizes
\[f(x) = E + c \cdot L\]where $L$ is the number of segments, and $c$ is a positive constant.
오차합 $E$를 최소화 하려면 segment를 전체 데이터의 수인 $n$ 만큼 나누어 fitting을 진행하면 된다. 그러나 이런 모델은 generalization 측면에서 결코 좋은 모델이 아니다. 반대로 데이터를 $n$개로 나누지 않고 $n$개 점 중에 combination을 구하려고 한다면 그것 역시 조합폭발(combinatorial explosion)에 직면하고 만다.
결국 <Segmented Least Squares> 문제는 tradeoff function $f(x)$를 통해 accuracy(goodness of fit)과 parsimony(number of lines) 중 적절한 균형을 찾는 최적화 문제라고 할 수 있다.
<Segmented Least Squares> 문제는 DP를 사용하면 아주 쉽게 해결할 수 있다!
$DP[j]$는 points $p_1, …, p_j$까지 사용했을 때의 최적해의 cost를 말한다. $e(i, j)$는 “minimum squared from $p_i$ to $p_j$”를 의미하며 <OLS; Ordinary Least Square>로 유도되는 값이다.
알고리즘의 아이디어는 “추가되는 점 $p_j$는 어떤 점 $p_i$로부터 시작하는 segmented fitting에 속할 것이다”에서 출발한다. 만약 우리가 $DP[i-1]$에 대한 값을 알고 있다면, 점 $p_j$를 추가해 $\{ p_i, …, p_j\}$로 fitting 한 결과와 $p_{i-1}$에서의 optimal fitting 결과를 종합해 최적해를 유도할 수 있다!
이를 기술하면 아래와 같다.
\[DP[j] = \min_{1 \le i \le j} \left\{ e(i, j) + C + DP[i-1] \right\}\]최적해의 결과를 복원할 때는 $DP[j]$를 구하는 과정에서 사용된 index $i$를 별도로 저장한 후에 back-tracking 하여 복원하면 된다!
시간복잡도를 유도하면,
- 전체 과정에서 $O(n^2)$개 만큼의 $e(i, j)$를 구해야 함.
- $e(i, j)$ 하나의 값을 계산할 때 $O(n)$ 만큼의 시간이 걸림.
따라서 시간복잡도는 $O(n^3)$이다. naive한 접근에서 exponential time이 걸렸던 걸 생각하면 정말 획기적으로 줄어든 셈이다! 🤩
<Segmented Least Squares>는 정규 수업을 들을 때 과제로 한번 구현해봤던 기억이 있는데, 구현이 그렇게 어렵지는 않았던 걸로 기억한다.
<Segmented Least Squares> 알고리즘을 공부하면서 “통계적 데이터마이닝(IMEN472)”에서 들었던 <Regression Spline>이 대해 떠올랐다. 이 알고리즘 역시 도메인을 분할해 regression fitting 하는 알고리즘이다.
다만 <Regression Spline>의 경우 곡률(curverture)까지 고려해 fitting을 진행하며, 구간을 얼마나 나눌지 선택하는 knot selection을 cross validation 과정을 통해 진행한다는 점이 <Segmented Least Squares> 알고리즘과 다르다! 🤩