机器学习:贝叶斯总结_2:概率分布
来源:互联网 发布:three.js包下载 编辑:程序博客网 时间:2024/06/06 20:35
伯努利分布
Bern(x|μ)=μx(1−μ)1−x μML=mN : 正面朝上的概率,是数据集中正面朝上的观测所占的比例
Beta分布
- 共轭性:先验和后验具有相同的形式;先验概率正比于似然函数,则后验概率和先验概率具有相似的形式。
∫10Beta(μ|a,b)dμ=1
多项式变量
- K个互斥状态的分布
xk=1 的概率,那么x 的分布是p(x|μ)=∏Kk=1μxkk 最大似然解:
μMLk=mkN
N次观测中,xk=1 的解;联合分布:数据
m1,.....,mK 在参数μ 和观测总数N的条件下的联合分布
狄利克雷分布
Dir(μ|α)=Γ(α0)Γ(α1)...Γ(αK)∏Kk=1μαk−1k
其中:
- 狄利克雷分布是多项式分布的共轭
高斯分布
条件高斯分布
高斯分布的最大似然解
顺序估计
- 最大似然的顺序估计:每次处理一个数据点,然后丢弃数据点
- 一次处理所有的数据点不可行的情况
高斯分布的贝叶斯估计
- 似然:
μ 的二次型 - 选择先验为高斯分布,则先验和似然共轭
- 后验:
其中:
结论:
- N=0,则
μN 是先验均值 N−>无穷 ,μN 是最大似然解
t 分布
周期变量
混合高斯模型
共轭先验
无信息先验
非参数化的方法
k领域算法
最大似然和贝叶斯区别
- 计算复杂度:最大似然好;
- 可理解性:最大似然好;
- 对初始先验知识的信任:先验信息可靠,则贝叶斯可以利用更多的信息
0 0
- 机器学习:贝叶斯总结_2:概率分布
- 贝叶斯、概率分布与机器学习
- leftnoteasy:贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 机器学习中的贝叶斯、概率分布
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 【机器学习】贝叶斯、概率分布与机器学习
- 机器学习-概率分布(PRML 第二章总结)
- 概率统计与机器学习:常见分布性质总结
- 机器学习: 离散变量的概率分布
- 机器学习-联合概率分布笔记
- 机器学习之概率分布1
- 机器学习之概率分布2
- 瀑布流 思想分析
- 一看就懂系列之 异步执行
- POJ2449 Remmarguts' Date
- 如何在ubuntu中通过串口访问开发板(如:树莓派)
- 是时候复习一下Java基础了(一)
- 机器学习:贝叶斯总结_2:概率分布
- 设计模式(二)--策略模式
- 解决Android Studio加载第三方jar包,出现包重复加载的问题
- 史上最强Spring mvc入门
- 2006年清华大学计算机研究生机试真题
- cocos2djs拷贝数据方法
- Java的异常
- 算法合集之《后缀数组——处理字符串的有力工具》
- 单链表反转