贝叶斯推论

最新推荐文章于 2025-03-16 23:18:26 发布

原创最新推荐文章于 2025-03-16 23:18:26 发布 · 415 阅读

·

0

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

机器学习同时被 2 个专栏收录

11 篇文章

订阅专栏

2 篇文章

订阅专栏

本文深入探讨了贝叶斯推断中的关键概念——后验分布，并详细解释了如何通过联合分布与条件概率来求解预测分布，为理解机器学习中的不确定性估计提供了数学基础。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

$p(\theta|D)$ 被称为后验分布

p (θ | D) = p ( D | θ ) p ( θ ) p ( D )

$p(\theta|D)=\frac{p(D|\theta)p(\theta)}{p(D)}$
预测分布

p(x|D)=∫p(x,θ|D)dθ=∫p(x|θ)p(θ|D)dθp(x|D)=∫p(x,θ|D)dθ=∫p(x|θ)p(θ|D)dθ $p(x|D)=\int p(x,\theta|D)d\theta=\int p(x|\theta)p(\theta|D)d\theta$

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。