-
貝葉斯學習
鎖定
貝葉斯學習是利用參數的先驗分佈,由樣本信息求來的後驗分佈,直接求出總體分佈。貝葉斯學習理論使用概率去表示所有形式的不確定性,通過概率規則來實現學習和推理過程。
- 中文名
- 貝葉斯學習
- 外文名
- Bayesian learning
- 結果表達
- 可理解為對不同可能性的信任程度
- 提出者
- 托馬斯.貝葉斯
- 含義分類
- 自動學習機制
- 相關衍伸
- 貝葉斯網絡,貝葉斯推理
貝葉斯學習背景
貝葉斯學習最早起源於數學家托馬斯
貝葉斯在1963年所證明的一個關於貝葉斯定理的特例。經過多位統計學家的共同努力,貝葉斯統計在20世紀50年代之後逐步建立起來,成為統計學中一個重要的組成部分。貝葉斯定理因其對於概率的主觀置信程度的獨特理解而聞名。此後,由於貝葉斯統計在後驗推理、參數估計、模型檢測、隱概率變量模型等諸多統計機器學習領域方面有廣泛而深遠的應用。
[1]
貝葉斯學習貝葉斯定理
貝葉斯學習全概率公式
設實驗
的樣本空間為Ω,A為
的事件,
是Ω的一個劃分,且
,則
貝葉斯學習貝葉斯公式
設實驗
的樣本空間為Ω,A為
的事件,
是Ω的一個劃分,且
,
,則
貝葉斯學習貝葉斯定理
貝葉斯定理是關於隨機事件 A 和 B 的條件概率:
貝葉斯學習基本方法
假定要估計的模型參數是服從一定分佈的隨機變量,根據經驗給出待估參數的先驗分佈(也稱為主觀分佈),關於這些先驗分佈的信息被稱為先驗信息;然後根據這些先驗信息,並與樣本信息相結合,應用貝葉斯定理求出待估參數的後驗分佈;再應用損失函數,得出後驗分佈的一些特徵值,並把它們作為待估參數的估計量。
先驗分佈:
總體分佈參數的一個概率分佈。貝葉斯學派的根本觀點,是認為在關於總體分佈參數的任何統計推斷問題中,除了使用樣本所提供的信息外,還必須規定一個先驗分佈,它是在進行統計推斷時不可缺少的一個要素。他們認為先驗分佈不必有客觀的依據,可以部分地或完全地基於主觀信念。
後驗分佈:
根據樣本分佈和未知參數的先驗分佈,用概率論中求條件概率分佈的方法,求出的在樣本已知下,未知參數的條件分佈。因為這個分佈是在抽樣以後才得到的,故稱為後驗分佈。貝葉斯推斷方法的關鍵是任何推斷都必須且只須根據後驗分佈,而不能再涉及樣本分佈。
[3]
貝葉斯學習生活應用
已知:有N個蘋果,和M個梨子,蘋果為黃色的概率為20%,梨子為黃色的概率為80%,問:假如在這堆水果中觀察到了一個黃色的水果,這個水果是梨子的概率是多少?
分析:
問題轉化為: 已知:
求:
解:
利用全概率公式,有:
利用貝葉斯公式,有:
- 參考資料
-
- 1. 朱軍, 胡文波. 貝葉斯機器學習前沿進展綜述[J]. 計算機研究與發展, 2015, 52(1):16-26.
- 2. 吳傳生.概率論與數理統計.北京市西城區德外大街4號:高等教育出版社,2010年12月:23-24
- 3. 貝葉斯定理 .csdn.2016-5-26[引用日期2017-04-26]
- 詞條統計
-
- 瀏覽次數:次
- 編輯次數:9次歷史版本
- 最近更新: piaopioashu