深度学习：贝叶斯统计

最新推荐文章于 2024-09-26 17:20:50 发布

壹十壹

最新推荐文章于 2024-09-26 17:20:50 发布

阅读量133

点赞数 4

文章标签：深度学习人工智能 c++

本文链接：https://blog.csdn.net/m0_46135173/article/details/140486297

版权

贝叶斯统计

贝叶斯统计是一种不同于频率学派统计的方法，主要通过贝叶斯定理将先验知识与数据相结合，来估计未知参数的分布。贝叶斯方法认为参数是随机且具有不确定性的，而数据是确定的。这种方法在许多应用中非常有用，特别是在数据稀疏或者存在先验知识的情况下。

在这里插入图片描述

示例：贝叶斯估计正态分布的参数

在这里插入图片描述

代码实现

#include <iostream>
#include <vector>
#include <cmath>
#include <numeric>
#include <random>

// 函数：生成样本数据
std::vector<double> generateData(int n, double true_mu, double sigma) {
    std::default_random_engine generator;
    std::normal_distribution<double> distribution(true_mu, sigma);
    std::vector<double> data(n);
    for (int i = 0; i < n; ++i) {
        data[i] = distribution(generator);
    }
    return data;
}

// 函数：计算样本均值
double calculateMean(const std::vector<double>& data) {
    double sum = std::accumulate(data.begin(), data.end(), 0.0);
    return sum / data.size();
}

// 贝叶斯估计均值
std::pair<double, double> bayesianEstimateMean(const std::vector<double>& data, double mu0, double tau2, double sigma2) {
    int n = data.size();
    double sample_mean = calculateMean(data);
    double posterior_mean = (sigma2 * mu0 + n * tau2 * sample_mean) / (n * tau2 + sigma2);
    double posterior_variance = (sigma2 * tau2) / (n * tau2 + sigma2);
    return {posterior_mean, posterior_variance};
}

int main() {
    // 参数设置
    int n = 100;  // 样本数量
    double true_mu = 5.0;  // 真正的均值
    double sigma = 2.0;  // 标准差
    double mu0 = 0.0;  // 先验均值
    double tau2 = 4.0;  // 先验方差
    double sigma2 = sigma * sigma;

    // 生成样本数据
    std::vector<double> data = generateData(n, true_mu, sigma);

    // 进行贝叶斯估计
    auto [posterior_mean, posterior_variance] = bayesianEstimateMean(data, mu0, tau2, sigma2);

    // 输出结果
    std::cout << "样本均值: " << calculateMean(data) << std::endl;
    std::cout << "贝叶斯估计均值: " << posterior_mean << std::endl;
    std::cout << "贝叶斯估计方差: " << posterior_variance << std::endl;

    return 0;
}