机器学习:LDA_数学基础_1:贝叶斯数学_基础
来源:互联网 发布:mac支持的大型网游 编辑:程序博客网 时间:2024/05/16 18:38
- 参数估计的方法
- 矩估计
- 最大似然估计
- 最小二乘法
- 贝叶斯估计
贝叶斯观点
贝叶斯公式
- 全概率公式:
B1,.....,Bn 是样本空间的一个完备事件群p(A)=p(∑ni=1ABi)=∑ni=1p(A|Bi)p(Bi)
2.贝叶斯公式p(Bi|A)=p(A|Bi)p(Bi)p(A)=p(A|Bi)p(Bi)∑nj=1p(A|Bj)P(Bj)
- 全概率公式:
频率学派:将样本视为来着一定概率分布的总体,所研究的对象是总体分布,而不是样本(发现了最小二乘和正态分布)
贝叶斯学派:
- 先验信息:在抽样之前,关于统计推断问题中参数的先验知识( 先验来着经验和历史)
- 是否使用先验知识,是贝叶斯学派的特点
- 重视已经出现的样本,对于未出现样本不考虑
- 重点是如何确定先验分布
核心分歧:将参数
θ 看做固定参数还是随机变量
### 先验分布和后验分布
*
π(θ) 是随机变量θ 的概率函数
(θ是离散变量时π(θi)是事件θ=θi的概率分布;θ是连续变量的时候,π(θ)是θ的密度函数 )π(θ) 在获取样本后,发生变化;π(θ|x) 是给定x时随机变量θ 的概率函数
- 后验分布
获取样本x后,θ 的后验分布就是X=x 条件下θ 的条件分布,π(θ|x)
- 获得后验概率后可以使用后验均值作为
θ 的估计θ^B=E(θ|x)=∫Θθπ(θ|x)dθ =∫Θθf(x|θ)π(θ)dθm(x)
例子(Beta分布)
设随机变量X服从二项分布
解:
X的概率密度和
X和
X的边缘分布
=>
(Beta 分布)
=>
其中MLE下的估计是
Beta分布,Gamma分布
- Beta函数和Gamma函数
B(a,b)=Γ(A)Γ(B)Γ(a+b)
0 0
- 机器学习:LDA_数学基础_1:贝叶斯数学_基础
- 机器学习:LDA_数学基础_2:贝叶斯数学:先验分布的选择
- 机器学习:LDA_数学基础_3:贝叶斯数学:Beta和Dirichlet
- 机器学习:LDA_数学基础_6:MCMC:Dirichlet分布
- 机器学习笔记_数学基础_1-微积分
- 机器学习:LDA_数学基础_4:变分推断:EM基础
- 机器学习:LDA_数学基础_5:变分推断:变分推断部分
- 机器学习数学基础
- 机器学习数学基础
- 机器学习数学基础
- 机器学习-->数学基础
- 数学基础_1: 级数
- 机器学习的数学基础
- 机器学习部分数学基础
- 机器学习中的数学基础
- 机器学习的数学基础
- 机器学习部分数学基础
- 机器学习中的数学基础
- 图像配准的步骤
- 6.8IO流
- cn.springmvc.service.impl.AFDCityServiceImpl cannot be cast to cn.springmvc.service.AFDCityService
- Android初级讲师进阶
- 安富莱 fontcvt字符点阵显示程序要点和mdk宽字符支持函数
- 机器学习:LDA_数学基础_1:贝叶斯数学_基础
- keytool工具命令
- Nginx 负载均衡
- MJExtension中MJTypeEncoding.m报错问题
- View的requestDisallowInterceptTouchEvent对事件的影响
- Spring 攻略第003讲
- iOS 程序中的内存分配 栈区 堆区 全局区(静态存储区)
- 容器组(Containers)
- 如何触发<z:select>值改变事件