知识卡片
贝叶斯学习
贝叶斯学习把假设也当作不确定对象,用数据更新假设的后验概率。它自然体现奥卡姆剃刀:复杂假设只有在数据给出足够证据时才值得相信。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 概率模型学习 20.1 统计学习 · 查看原书依据
贝叶斯学习(Bayesian learning)是指基于给定的数据计算每个假设发生的概率,并在此基础上进行预测。也就是说,这个预测是通过对所有假设按概率加权求和所得的,而不是仅仅使用了单个“最佳”假设。通过这种方法,学习就可以归约为概率推断。
参考来源
- 位置:《人工智能:现代方法(第4版)(上下册)》第20章《概率模型学习》(源文件:`extracted/人工智能:现代方法(第4版)(上下册)/_epub-src/text/part0041_split_001.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:贝叶斯学习把假设也当作不确定对象,用数据更新假设的后验概率。原文从「20.1 统计学习」处给出对应机制与依据,支撑本卡结论。
- 原始内容:贝叶斯学习(Bayesian learning)是指基于给定的数据计算每个假设发生的概率,并在此基础上进行预测。也就是说,这个预测是通过对所有假设按概率加权求和所得的,而不是仅仅使用了单个“最佳”假设。通过这种方法,学习就可以归约为概率推断。