PRML Ch2: Probability Distributions 机器学习的概率基础
来源:互联网 发布:怎样开淘宝账号 编辑:程序博客网 时间:2024/06/16 05:27
几种常用的概率分布
PRML的第二章首先介绍了几种机器学习与模式识别中常用的概率分布,每种概率分布的介绍R遵循了:1.随机变量的分布律或概率密度函数 2.随机变量的性质如期望、方差 3.使用最大似然方法估计概率分布的参数 4.所对应的共轭先验分布。
对于高斯分布,作者讲的更加详细,在性质中补充了对于高斯分布方差的分析,以及条件高斯分布和边缘高斯分布, 线性高斯模型的推导。除了最大似然估计,作者还介绍了用最大后验的方法估计高斯分布参数。但是实际上仍不外乎以上四点,即分布、性质、参数估计和共轭先验的介绍。
前3点很容易理解不再赘述,共轭先验引入的原因来自于模型参数后验概率的推导:
其中
估计高斯分布的均值我们可以使用高斯先验,估计伯努利分布的参数我们可以使用beta先验,那么其他函数呢?在本章的Exponential Family一章中可以看到,任何符合
的概率分布都可以有一个对应的先验分布。
如果使用最大似然估计,我们只需要最大化
而这种通过对参数积分来求得预测值边缘分布的方法,正是贝叶斯方法相比于最大似然,能避免过拟合的原因所在。
0 0
- PRML Ch2: Probability Distributions 机器学习的概率基础
- PRML Chapter 2. Probability Distributions
- PRML Chapter 2. Probability Distributions
- 概率分布 Probability Distributions
- PRML读书会第二章 Probability Distributions
- 机器学习学习笔记 PRML Chapter 1.2 : Probability Theory
- 机器学习-概率分布(PRML 第二章总结)
- 今天开始学模式识别与机器学习Pattern Recognition and Machine Learning (PRML)书,章节1.2,Probability Theory (上)
- 今天开始学模式识别与机器学习Pattern Recognition and Machine Learning (PRML),章节1.2,Probability Theory (下)
- 今天开始学模式识别与机器学习Pattern Recognition and Machine Learning (PRML)书,章节1.2,Probability Theory (上)
- 今天开始学模式识别与机器学习Pattern Recognition and Machine Learning (PRML),章节1.2,Probability Theory (下)
- PRML读书会第二章 Probability Distributions(贝塔-二项式、狄利克雷-多项式共轭、高斯分布、指数族等)
- 【模式识别与机器学习(PRML)读书笔记】2.概率分布(上)
- 机器学习笔记(PRML)
- 机器学习笔记(PRML)
- 机器学习笔记(PRML)
- PRML读书笔记-我对机器学习的认识
- 机器学习比较经典的书籍 PRML ESL MLAPP 资源
- HDU oj 1055(Color a Tree 贪心好题)
- iOS-控制台的警告
- 前端案例--图片上传功能
- 从头学android_通过查看Setting源码来获得剩余存储空间
- C语言代码风格
- PRML Ch2: Probability Distributions 机器学习的概率基础
- urb介绍
- JS回调函数
- c++/string的构造析构函数
- test
- Jcenter
- 通过WebRTC实现实时视频通信(一)
- javascript执行顺序(二)
- input_dev结构体设计