理解贝叶斯定理: prior、likelihood与posterior - 一次轻松的解析与讲解
Prior 先验 —— P ( θ ) P(\theta) P(θ)
之前的知识,我们对它刻板印象,没有基于观测的数据思考而进行的猜测。比如这里 θ \theta θ的分布是我们先前根据经验得来的,它的概率分布就是 P ( θ ) P(\theta) P(θ)
Likelihood 似然 —— P ( X ∣ θ ) P(X|\theta) P(X∣θ)
顾名思义,似然就是像这样,因此其表达式肯定看着像,但不是真的。
像什么呢?就是你得到的这些观测数据,像是根据你的先验知识,估计而来而来的。其含义正是这个公式 P ( X ∣ θ ) P(X|\theta) P(X∣θ)。它表示在给定 θ \theta θ的情况下, X X X服从的概率分布。
那么既然只是像,哪里有问题呢?
结合之前所说, X X X是固定的,根本不会随着 θ \theta θ的改变而发生任何变化。
因此,这里仅仅只是似然,假装是 θ \theta θ控制 X X X的生成,假装 θ \theta θ对 X X X的分布起作用。
Posterior 后验—— P ( θ ∣ X ) P(\theta|X) P(θ∣X)
在你有了观测的数据之后,得到的新参数的概率分布。正如贝叶斯的思想所言,控制事务发生概率的参数 θ \theta θ是变化的,它会随着新的观测数据到来,不断改变。
有了它以后,可以根据概率分布求期望(均值),从而进行一些估计。
上一篇: 李宏毅深度学习讲解:分类方法(GM)
下一篇: Conditional Likelihood Maximisation: A Unifying Framework for Information Theoretic Feature Selecti2
推荐阅读
-
【2022新手指南】Java编程进阶之路 - 六、技术架构篇 ### MySQL索引底层解析与优化实战 - 你会讲解MySQL索引的数据结构吗?性能调优技巧知多少? - Redis深度揭秘:你知道多少?从基础到哨兵、主从复制全梳理 - Redis持久化及哨兵模式详解,还有集群搭建和Leader选举黑箱打开 - Zookeeper是个啥?特性和应用场景大公开 - ZooKeeper集群搭建攻略及 Leader选举、读写一致性、共享锁实现细节 - 探究ZooKeeper中的Leader选举机制及其在分布式环境中的作用 - Zab协议深入剖析:原理、功能与在Zookeeper中的核心地位 - RabbitMQ全方位解读:工作模式、消费限流、可靠投递与配置策略 - 设计者视角:RabbitMQ过期时间、死信队列与延时队列实践指南 - RocketMQ特性和应用场景揭示:理解其精髓与差异化优势 - Kafka详细介绍:特性及广泛应用于实时数据处理的场景解析 - ElasticSearch实力揭秘:特性概述与作为搜索引擎的广泛应用 - MongoDB认知升级:非关系型数据库的优势阐述,安装与使用实战教学 - BIO/NIO/AIO网络模型对比:掌握它们的区别与在网络编程中的实际应用 - Netty带你飞:理解其超快速度背后的秘密,包括线程模型分析 - 网络通信黑科技:Netty编解码原理与常用编解码器的应用,Protostuff实战演示 - 解密Netty粘包与拆包现象,怎样有效应对这一常见问题 - 自定义Netty心跳检测机制,轻松调整检测间隔时间的艺术 - Dubbo轻骑兵介绍:核心特性概览,服务降级实战与其实现益处 - Dubbo三大神器解读:本地存根与本地伪装的实战运用与优势呈现 ----------------------- 七、结语与回顾
-
理解贝叶斯定理: prior、likelihood与posterior - 一次轻松的解析与讲解