[PRML] Bayesian Learning 贝叶斯学习方法
来源:互联网 发布:国企下岗知乎 编辑:程序博客网 时间:2024/06/17 00:45
问题引入
在上一篇博客[PRML] Point Estimation 点估计 的最后,难搞的富翁提了一个无厘头的问题,他固执地认为,图钉头朝上和屁股朝上的概率和抛硬币一样是五五开。尽管我们很好地用理论阐述了为什么图钉头朝上的概率是3/5,但富翁还是要我们解释一下为什么。没办法,谁让人家给钱呢:(
θ 的概率分布
在点估计中,我们假设图钉头朝上的概率是一个单值,现在,更一般地,我们假设
图1
在贝叶斯学习方法中,我们把实验之前的知识(富翁认为的五五开概率),称为先验Prior。图1关于
贝叶斯学习方法
贝叶斯方法实际上是在先验知识的基础上,根据实验结果,获得后验知识Posterior,即修正先验知识,使得它满足我们观测的结果,如图2。
图2 贝叶斯学习方法
现在给出通过数据修正先验获得后验的方法,即贝叶斯方程。
注意到
关于贝叶斯方程,请阅读概率论相关书籍。
P(θ,D)=P(D)P(θ|D)=P(θ)P(D|θ) ,θ 和D 同时发生的概率等于在D 发生后θ 也发生,也等于θ 发生后D 也发生。
需要注意的是,θ 表示的是图钉头向上的概率,但它本身是一个变量,满足某一个概率分布。(概率发生的概率:(是哦,有点迷:()
给富翁的解释
在富翁问题中,我们能够得到似然函数likelihood function:
那么我们的先验prior具体是什么呢?一般我们希望先验满足两个条件:
- 很好地表达了专家知识,或者说已经掌握的知识
- 求得的后验具有良好的形式
这里我们引入共轭先验Conjugate priors的概念,共轭先验具有很好的性质,关于后验封闭。所谓的关于后验封闭,即通过共轭先验获得的后验,在形式上与先验是相同的。
我们看到在富翁问题中,我们的似然函数是二项分布,对于二项分布,它的共轭先验是Beta分布。因此,我们选择先验:
暂时不深究Beta分布的相关性质,
βH 和βT 是Beta分布的两个参数
这里给出Beta分布的一个概率密度函数,直观上能有个认识
B函数是一个标准化函数,它只是为了使得Beta分布的概率密度积分等于1。
B(α,β)=Γ(α)Γ(β)Γ(α+β)
现在有了先验和似然函数,我们可以得到后验。
当然,这里我们得到的是一个关于
最简单的,我们可以使用
Beta分布的期望:
E[Beta(α,β)]=αα+β
我们可以看到,一开始
最大后验近似(Maximum a posteriori approximation, MAP)
很多时候,我们需要的可能不仅仅是关于
当然,我们是可以通过积分求解,因为我们知道
在这里我们也同样可以看到,当
后续
- 富翁:恩,图钉的这个问题我了解了。那现在我给你一个骰子,你能……
- -:哦哦,我知道你想问什么……
关于贝叶斯学习方法,其实只有一个小小的后续了。不过之后的故事还没有理清楚,所以打算拿这个小后续先缓一缓。要是理不清楚,就辞职不干吧hhh
- [PRML] Bayesian Learning 贝叶斯学习方法
- [PRML] Bayesian Learning 贝叶斯学习方法
- PRML--Bayesian probabolitis
- Machine Learning—Naive Bayesian classification(朴素贝叶斯分类)
- 贝叶斯网络(Bayesian network))简介(PRML第8.1节总结)概率图模型(Graphical models)
- Bayesian Reasoning and Machine Learning
- 动态贝叶斯网络:表示,推理和学习:摘要(Dynamic Bayesian Networks: Representation, Inderence and Learning)
- 【文献阅读/翻译...】bayesian compression for deep learning深度学习中的贝叶斯压缩
- PRML-贝叶斯网络
- 贝叶斯算法(bayesian)介绍
- 贝叶斯算法(bayesian)介绍
- 贝叶斯算法(bayesian)介绍
- 贝叶斯算法(bayesian)介绍
- naive-bayesian-朴素贝叶斯
- 贝叶斯网络(Bayesian Network)
- Naive Bayesian(朴素贝叶斯)
- Bayesian(贝叶斯)
- PRML(Pattern Recognition And Machine Learning)学习【1】
- jquery实现时钟
- Docker中ubuntu安装vim
- 全球同服
- 线性表链式存储_调试_链表模板库封装思想
- 谈谈8583报文的使用及测试
- [PRML] Bayesian Learning 贝叶斯学习方法
- fig06_13.cpp
- 引用类型Array类型的常用方法总结
- 【3.6】锐化空间滤波器
- 面向对象
- mysql 12.7 Date and Time Functions
- 阿里沈询直播 分布式事务一
- Android 获取设备的物理尺寸
- 单链表的实现