内容摘自于《Mathematics for Machine Learning》
先验:prior
后验:posterior
inference: transforming prior probability to posterior probobility.
learning: estimating the likelihood of model for a given dataset.
random variable : a function that maps outcomes of a random experiments to real numbers.(将一个事件映射为数字)
6.21
之前一直对先验和后验不是很理解,在看这段内容的时候,感觉概念稍微清晰了一些。在学习的过程中发现对概念的理解很重要。下面说一下我对这段话的理解:
我们建立机器学习模型的目的是已知X,对Y进行预测,即求得p(y|x),根据贝叶斯公式可以得到,书里说在机器学习中p(x)是很难估计的(不明白为什么),所以就要用
这个公式来求p(x)。所以所谓的先验就是我们已知知道的信息,后验则是经过计算后得到的信息(条件关系)
这段话摘自《统计学习理论的本质》,依赖关系P(y|x),观测P(y)——先验