知识卡片
贝叶斯视角:参数分布与置信度
常规模型用最大似然估计把权重 w、偏差 b 优化成单个标量,如 w[1]=1;贝叶斯学习则让每个系数服从一个分布,如 w[1]~N(1,1),估计参数分布等价于最大后验估计 MAP。这样做的好处是衡量预测可信度:若从不同参数样本得到一致的预测,则置信度高;若预测彼此不一致,则置信度低,notMNIST 示例正体现了后者。分布化参数也意味着输出应为分类分布而非单值,这为[[Edward实现贝叶斯网络]]奠定了理论基础。
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
- 深度学习的新趋势 贝叶斯神经网络:原理与实现 · 查看原书依据
相反,在贝叶斯学习中,每个系数都与一个分布相关联。 例如,它们可以处于高斯分布w[1] ~ N(1, 1), w[2] ~ N(3, 2)
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第08章《深度学习的新趋势》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/15.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文对比 MLE 标量 w[1]=1 与分布 w[1]~N(1,1),并用采样一致性解释置信度,支撑参数分布化可量化不确定性。
- 原始内容:相反,在贝叶斯学习中,每个系数都与一个分布相关联。 例如,它们可以处于高斯分布w[1] ~ N(1, 1), w[2] ~ N(3, 2)