机器学习:贝叶斯推理

中使用的计算机视觉的计算,贝叶斯推理是一个方法来更新模型假设z在观测数据x。

它利用贝叶斯定理,-

之前假设的潜在变量z, p (z),一批新的数据之前量化我们的信念x是观察到的。我们假设数据x从生成常数的数据生成过程中,p (x)我们可以量化观测的可能性x鉴于我们的假设z通过条件分布p (x | z)。尽管是一个抽象的概念,贝叶斯推理有许多实际应用和是一个功能强大的工具,支撑着许多机器学习技术。一个简单的应用程序列表包括:

• 概率生成模型,例如标准化和变分AutoEncoders形象
• 不确定性量化参数的模型,例如贝叶斯神经网络

贝叶斯推理最普遍的应用之一是不确定性量化。例如,在参数回归我们的观测数据实际上是对基准(x, y)我们的任务是预测标签y在新数据点x,因为我们有一个封闭后验分布的表达式p (z | {x, y})。请注意,在此设置,有固定形式的可能性p (y | x, z)。后预测分布,然后量化的不确定性

具有闭合表达式对于有限数量的场景,例如什么时候p (y | x, z)与各向同性标准差和正态分布的线性模型是谁的期望值z。否则,潜变量的样本z必须产生的后验分布p (z | {x, y})的期望值和方差p (y│x, {x, y})必须是数值求解。

值得总结介绍贝叶斯推理,指出应用贝叶斯定理在这里,假设我们有一个闭合表达式评估后分布p (z│x)。这并非总是如此,近似p (z│x)必须经常是为了使模型的预测被使用,例如通过后预测分布。机器学习的一个大分支称为近似推理,实现就在事实上存在。

在元素188金宝搏手机端中,我们使用贝叶斯推理方法在数码工程操作。联系我们的数字工程团队为更多的信息。