本文是关于机器学习中频率派与贝叶斯派的白板推导笔记，探讨了两派在参数θ的理解差异。频率派视参数θ为常数，采用极大似然估计法；而贝叶斯派认为θ是随机变量，利用先验和后验概率进行估计。内容涵盖两种派别的基本概念和求解方法。
此文章主要是结合哔站shuhuai008大佬的白板推导视频：开篇_35min
全部笔记的汇总贴：机器学习-白板推导系列笔记
一、频率派 vs 贝叶斯派
机器学习主要解决从数据中获取其概率分布的问题，通过一些机器学习的算法可以从大量数据中找到一定的规律，从而建立模型来解决实际问题，因此机器学习中主要使用数据来求解其参数：
d a t a : X data:X data:X
X = [ x 1 x 2 ⋯ x N ] N × p T = [ x 11 x 12 ⋯ x 1 p x 21 x 22 ⋯ x 2 p ⋮ ⋮ ⋱ ⋮ x N 1 x N 2 ⋯ x N p ] N × p X= \left[ \begin{matrix} x_1 & x_2 & \cdots & x_N\\ \end{matrix} \right]^T_{N \times p} = \left[ \begin{matrix} x_{11} & x_{12} & \cdots & x_{1p}\\ x_{21} & x_{22} & \cdots & x_{2p}\\ \vdots & \vdots & \ddots & \vdots \\ x_{N1} & x_{N2} & \cdots & x_{Np}\\ \end{matrix} \right]_{N \times p} X=[x1x2⋯xN]N×pT=
最低0.47元/天 解锁文章
扫一扫
7828
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
