大多数学校的统计学悲剧在于它是多么愚蠢。老师们花费数小时来研究导数,方程式和定理,当您最终达到最佳效果时(将概念应用于实际数字),就会出现一些无关紧要,没有想象力的示例,例如掷骰子。遗憾的是,如果您跳过推导(您可能永远不需要),而专注于使用这些想法来解决有趣的问题,那么统计数据就很有趣。
共轭先验:能在贝叶斯推断中,以优雅的方式解决计算量与最优化问题。
1.什么是先验?
先验概率是我们看到数据之前事件的概率(主观概率)。
在上一篇文章中:贝叶斯推理,先验是我们在新数据可用之前根据我们现在所知道的对概率的猜测。jinzhao:如何深刻理解贝叶斯推理?zhuanlan.zhihu.com
2.什么是共轭先验?
不知道贝叶斯推断就无法理解共轭先验! 为什么这么说呢?
在本博客的其余部分中,我假设您了解先验,样本(数据data)和后验的概念。
本质上共轭先验:
对于某些似然函数(likehood),如果您选择某个先验,后验的分布与先验的分布相同。这样的先验被称为共轭先验。
通过示例始终可以最好地理解它。下面的代码用于计算二项式似然的后验。θ是成功的概率,我们的目标是选择使后验概率最大的θ。
import numpy as np
import scipy.stats as stats
success_prob = 0.3
data = np.random.binomial(n=1, p=success_prob, size&#