本文介绍了概率统计中的关键概念：先验概率（p(θ)）、似然（p(D∣θ)）、后验概率（p(θ∣D)）和置信（p(D)）。通过贝叶斯公式，阐述了如何利用训练样本集D来估计模型参数θ的过程。
先验、后验、似然、置信
训练样本集D\mathcal{D}D，模型参数θ\mathbf{\theta}θ，根据D\mathcal{D}D估计参数θ\mathbf{\theta}θ
贝叶斯公式：
p(θ∣D)=p(D∣θ)p(θ)p(D)p(\mathbf{\theta} | \mathcal{D}) = \frac{p(\mathcal{D} | \mathbf{\theta}) p(\mathbf{\theta})}{p(\mathcal{D})}p(θ∣D)=p(D)p(D∣θ)p(θ)
p(θ∣D)p(\mathbf{\theta} | \mathcal{D})p(θ∣D)：后验概率（posterior）
p(D∣θ)p(\mathcal{D} | \mathbf{\theta})p(D∣θ)：似然（likelyhood）
p(θ)p(\mathbf{\theta})p(θ)：先验概率（prior）
p(D)p(\mathcal{D})p(D)：置信（evidence）
扫一扫
3398
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
