MLAPP —— 第三章 Generative models for discrete data
内容逐渐硬核……参考博客对第三章内容做了大致的翻译,这里补充一下自己的理解。
- 本章的主要内容是:借助贝叶斯公式,推断概率模型中的参数,进一步地,在已经观测到的数据集的基础上,对新观测到的数据进行预测。
本章从几个实际例子出发,解释了先验、似然、后验、MAP、MLE等一系列基本概念。原书中有许多例子,实际要表达的基础概念和通法是一致的,碍于篇幅,这里只罗列前两个例子。
例子1:数字游戏——Bayesian concept learning
给定一个观测数字集合,然后给一个新的数字,预测其是否属于,或者有多大概率属于。
-
假设空间
例如给定,则我们可能会猜测:数据集可能是偶数集合、也可能是4的倍数集合、也可能是个位数为6的整数的集合,等等——这些猜测便构成了假设空间(hypothesis space)。
-
似然(Likelihood)
假设空间里有多种假设,我们固定一种假设,在该假设下,抽样得到观测数据集的条件概率为:&#