本文顺序
一、回忆线性回归
线性回归用最小二乘法,转换为极大似然估计求解参数W,但这很容易导致过拟合,由此引入了带正则化的最小二乘法(可证明等价于最大后验概率)
二、什么是贝叶斯回归?
基于上面的讨论,这里就可以引出本文的核心内容:贝叶斯线性回归。
贝叶斯线性回归不仅可以解决极大似然估计中存在的过拟合的问题。
- 它对数据样本的利用率是100%,仅仅使用训练样本就可以有效而准确的确定模型的复杂度。
- 在极大似然估计线性回归中我们把参数看成是一个未知的固定值,而贝叶斯学派则把看成是一个随机变量。
贝叶斯回归主要研究两个问题:inference(求后验)和prediction