正态分布与l2正则、岭回归
Question
假设模型的参数为w,参数的先验分布是均值为0的正态分布,模型的数据集为D={x1, x2, …,xN}, 求参数的最大后验估计。
解
利用贝叶斯定理,
不妨设w是单个标量,
对于固定的σ,上面求最小化的函数中第一项是常量,第二项是l2正则,第三项是损失函数的和。
很明显,我们可以很容易把这个结果推广到多维参数中。
如果我们假定模型的各个参数的先验是相互独立的同分布的正态分布,那么我们就可以得到参数的后验分布为:
上式中,我们省略了常数部分
假设模型的参数为w,参数的先验分布是均值为0的正态分布,模型的数据集为D={x1, x2, …,xN}, 求参数的最大后验估计。
利用贝叶斯定理,
不妨设w是单个标量,
对于固定的σ,上面求最小化的函数中第一项是常量,第二项是l2正则,第三项是损失函数的和。
很明显,我们可以很容易把这个结果推广到多维参数中。
如果我们假定模型的各个参数的先验是相互独立的同分布的正态分布,那么我们就可以得到参数的后验分布为:
上式中,我们省略了常数部分