共 49 篇文章 |
|
贝叶斯牧师的倒推理。贝叶斯的关键见解是,试图使用我们看到的中奖和未中奖彩票来分析彩票来源于整体彩票池的方法,本质上是在倒推。在同等条件下,我们应该想象成所有彩票都中奖的概率比一半中奖的概率要高8 倍,因为我们在这种情况下买的彩票正好是8 倍多的中奖概率(100% 与1/8)。他表示,如果我们提前真的不知道彩票的情况,然后当我们第... 阅51 转1 评0 公众公开 18-08-30 16:46 |
统计学最著名的门派之争,贝叶斯派到底能否笑到最后。在进行参数估计之前,通过先验信息,我们常常可以得到一个关于未知参数的概率分布,即先验分布,或主观分布。一句话而言,频率派认为未知参数是客观的,贝叶斯派认为未知参数可以先从主观角度来考虑。用贝叶斯方法的描述就是,关于λc的先验分布为:贝叶斯学派反击道:频率派中的置信区间能... 阅21 转0 评0 公众公开 18-08-30 16:45 |
贝叶斯线性回归方法的解释和优点。贝叶斯线性回归模型如下:贝叶斯线性回归的目的不是找到模型参数的单一「最佳」值,而是确定模型参数的后验分布。我将跳过本文的代码部分(请参阅 PyMC3 中的代码实现),但是实现贝叶斯回归的基本流程是:指定模型参数的先验(在这个例子中我使用正态分布),创建将训练数据中的输入映射到输出的模型,接着用... 阅63 转0 评0 公众公开 18-05-17 10:49 |
概率融入物理学使物理学家困扰,但是量子力学的真正困难并非概率,而是这概率从何而来?爱因斯坦不是不懂概率,而是不接受当年以波尔为代表的“哥本哈根学派”对量子力学的概率解释以及测量时“波函数塌缩”到经典结果的“量子-经典”的边界图景。三人都是经验丰富的量子信息理论专家,他们将量子理论与贝叶斯派的概率观点结合起来,建立了“量... 阅18 转1 评0 公众公开 18-03-29 01:32 |
我们假设直线对于坐标 Xi 给出的预测 f(Xi) 是最靠谱的预测,所有纵坐标偏离f(Xi)的那些数据点都含有噪音,是噪音使得它们偏离了完美的一条直线,一个合理的假设就是偏离路线越远的概率越小,具体小多少,可以用一个正态分布曲线来模拟,这个分布曲线以直线对 Xi 给出的预测 f(Xi) 为中心,实际纵坐标为 Yi 的点 (Xi, Yi) 发生的概率就正比于 E... 阅37 转0 评0 公众公开 18-02-20 07:15 |
干货|如何用 马尔科夫链蒙特卡洛(MCMC) 解决机器学习的高维度的积分和最优化问题。最出名的算法叫做Metropolis Hasting Algorithm (MH):很多其他实用的MCMC算法究其根本都是MH算法的延伸。算法介绍:对于目标分布p(x),首先给定参考条件概率分布q(x*|x),然后基于当前x的值模拟出一个新样本x*,然后马尔科夫链将依据一定的概率移动到x*(否... 阅4421 转16 评0 公众公开 18-02-08 09:42 |
传说中的马尔科夫链到底是个什么鬼?小编图中画的那个概率矩阵就是传说中的状态转移矩阵,我们把它命名为P。并且这个P是保持不变的,也就是说小编今天的到明天的状态转移矩阵和明天到后天的状态转移矩阵是一样的。今天是6月10号,11号的状态矩阵可以通过P1*P计算得到(不会矩阵乘法的自己去找线性代数看哈),12号的状态矩阵可以通过P2*P得到,... 阅533 转2 评0 公众公开 18-02-08 09:09 |
专栏 | 贝叶斯学习与未来人工智能。贝叶斯定理是英国数学家贝叶斯提出的,当时的目标是要解决所谓「逆概率」问题。在前贝叶斯时代处理概率问题的时候,总是先取一定假设(比如抛硬币时,每次出现正反面的概率相同),然后在假设下讨论一定事件的概率(比如说连续出现 10 次正面的概率)。贝叶斯定理说明在评判现象背后的原因时,不仅要看这个原... 阅34 转0 评0 公众公开 18-02-06 01:56 |
2)贝叶斯。然后做自己的实验,用实验数据跟那个''''''''先验概率''''''''一起,计算出''''''''后验概率''''''''。这个后验概率也会成为下一个事件的先验概率,一次次积累,极尽精微。而贝叶斯学派则专注于... 阅83 转1 评0 公众公开 18-02-01 03:13 |
如何简单易懂地理解贝叶斯非参数模型?【参数模型就是知道变量的分布,但是不知道这个分布的参数,比如知道x服从参数为p的二项分布,因此我们在经过试验得到x的样本后,要反推回p到底是什么。非参数模型都是不知道变量的分布,更不用说什么参数了】 阅109 转0 评0 公众公开 18-02-01 03:11 |