AutismThyself的博客

简介尽管包括了先验分布p(w∣α)p(w|\alpha)p(w∣α)，但到目前为止仍在对www进行点估计，因此这还不等于贝叶斯的处理方式。 在完整贝叶斯的方法中，应始终如一地应用概率的和(sum)和乘积(product)规则，这将要求，正如将很快看到的那样，需要对www的所有值进行积分(integrate)。 这种边缘化(marginalizations)是贝叶斯模式识别方法的核心。...

简介在前面章节的学习中，已经可以看到如何解决多项式曲线拟合（polynomial curve fitting）的问题，可以采用误差最小（error minimization）的方式。现在从概率的角度（probabilistic perspective）回过头来看曲线拟合的问题，从而获得了一些关于误差函数（error functions）和正则化（regularization）的见解，以及走入一个完整的贝叶斯（Bayesian）处理方式。曲线拟合曲线拟合问题的目标是由N个输入值x=(x1,...,xN)

简介在第二章中将专门研究各种概率分布以及其关键特性。在这里引入对于连续变量（continous variables）来说最重要的概率分布之一：正太分布（normal distribution）或者高斯分布（Gaussian distribution）。在本章的其余部分以及本书中的大部分内容将广泛使用这种分布。高斯分布在单个实值变量xxx的情况下，高斯分布定义为如下公式(1.46)：N(x∣μ,σ2)=12πσ2exp(−12σ2(x−μ)2)N(x|\mu,\sigma^2)=\sqrt{\dfrac

贝叶斯概率论简介在本章前面的学习中，已经从随机的、可重复的事件出现的频率角度中观察了概率。这些被称为概率的经典或常规解释。这一篇的学习将转向普遍的贝叶斯观点，这里概率将不确定性进行了量化。不确定事件接下来列举几个不确定事件：月亮是否曾经是围绕着太阳公转北极冰层是否会在本世纪末消失这些不确定事件无法通过重复多次来对其概率下定义，不像之前 1.2 开头所列举的从水果盒中取水果来判断概率的例子一样。下面两张图为 1.2 水果盒例子。尽管如此，这里依旧能通过一些想法来对北极冰层是否会在本世纪

数学期望在概率学中最重要的事情之一就是寻找出函数的加权平均值。其中函数f(x)的数学期望E[f]是根据其在概率分布p(x)下的平均值计算得出。对于离散分布变量，其公式为：E[f]=∑xp(x)f(x)\displaystyle\sum_{x}p(x)f(x)x∑​p(x)f(x)因此，从这个公式可以得出对于离散变量来说数学期望（平均权重）来自于根据各个不同变量x相关的f(x)与这个f(x)相对概率p(x)计算得出。这里比较绕，根据个人理解可以分为以下几步：找出所有可能出现的变量x将其中一个变量x