贝叶斯模型比较
来源:互联网 发布:制作发光字软件 编辑:程序博客网 时间:2024/06/18 11:29
(学习这部分内容大约需要2.7小时)
摘要
贝叶斯模型比较框架基于计算边际似然大小来比较概率模型, 或者比较积分掉所有参数后, 模型生成给定数据的概率. 模型参数的marginalization实现了一种"奥卡姆剃刀"效应. 边际似然也可以被用于使用贝叶斯规则计算模型后验.
预备知识
这个概念需要以下预备知识:
- 贝叶斯参数估计: 大多数的贝叶斯模型比较也需要用到贝叶斯参数估计
- 贝叶斯规则: 贝叶斯规则用于从先验和似然计算后验
学习目标
- 知道模型的边际似然是什么
- 根据贝叶斯因子诱导边际似然
- 理解"贝叶斯奥卡姆剃刀"效应的基础(提示: 这并不仅仅是给带更多参数的模型赋予比较低的先验概率, 虽然很多人是这么认为的)
- 对于简单的模型推导贝叶斯因子(比如, beta-Bernoulli模型)
核心资源
(阅读/观看其中之一)
免费
- Information Theory, Inference, and Learning Algorithms
简介: 一本机器学习和信息论的研究生教材
Section 28.1, "Occam's razor," pages 343-349
Section 28.2, "Example," pages 349-351
[网站]
作者: David MacKay
付费
- Machine Learning: a Probabilistic Perspective(MLAPP)
简介: 一本非常全面的研究生机器学习教材
位置: Section 5.3, pages 155-165
[网站]
作者: Kevin P. Murphy
增补资源
(下面的内容是可选的, 但你可能发现它们很有用)
付费
- Pattern Recognition and Machine Learning(PRML)
简介: 一本研究生机器学习教材, 专注贝叶斯方法
位置: Section 3.4, pages 161-165
[简介]
作者: Christopher M. Bishop
相关概念
- 从贝叶斯的角度来说, 对多个模型进行平均会优于选择一个模型. 这便是贝叶斯模型平均Bayesian model averaging ).
- 一些估计贝叶斯因子的一般方法包括:
- sequential Monte Carlo
- Markov chain Monte Carlo (MCMC)
- 变分贝叶斯(variational Bayes)
返回贝叶斯机器学习路线图
0 0
- 贝叶斯模型比较
- 贝叶斯模型比较
- 贝叶斯模型比较
- Linux线程模型比较
- DOM模型和流模型的比较
- 事件模型与观察者模型的比较
- IOCP模型与EPOLL模型的比较
- IOCP模型与EPOLL模型的比较
- IOCP模型与EPOLL模型的比较
- IOCP模型与EPOLL模型的比较
- IOCP模型与Epoll模型的比较
- IOCP模型与EPOLL模型的比较
- IOCP模型与EPOLL模型的比较
- 星形模型和雪花模型比较
- IOCP模型与EPOLL模型的比较
- IOCP模型与EPOLL模型的比较
- IOCP模型与EPOLL模型的比较
- IOCP模型与EPOLL模型的比较
- Ogre的WeaponTrail
- AngularJS简单介绍
- 002_Windows程序设计--Unicode
- 面向对象的三个基本特征是:封装、继承、多态及其五大原则
- 【BZOJ 2440】[中山市选2011]完全平方数 莫比乌斯反演+容斥
- 贝叶斯模型比较
- 优秀Java程序员的编程风格
- CCF之最优灌溉(java)
- 三年计划
- Enumeration基础
- AngularJS路由以及模块配置
- Linux入门基础---提供看懂linux书籍的能力,实习自学
- 蓝桥杯 暗恋 简单搜索 java
- 关于字符串的常用操作 截取substring、分割split、替换replace