知识卡片
多个假设的贝叶斯更新
多个互斥且穷尽的假设可各自保留先验概率。观察数据后,用每个假设的先验乘以该假设下数据的似然,再除以所有假设的对应乘积之和,得到各自后验。例如硬币正面概率只能取 0、0.25、0.5、0.75、1 时,一次正面会使概率为 0 的假设后验变为 0。结果受假设集合与先验限制:若真实情况不在模型中,后验只能在已有候选中比较。
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
- 贝叶斯定理 · 查看原书依据
通过这种方式,我们可以同时进行多个假设
参考来源
- 位置:《深度学习:从基础到实践(上下册)》第4章《贝叶斯定理》4.7(来源项目 `extracted/深度学习:从基础到实践(上下册)/_epub-src/text/part0011_split_007.html`)
- 结论依据:原文以五个硬币偏置假设展示每轮归一化及假设淘汰。
- 原始内容:通过这种方式,我们可以同时进行多个假设,对于每一次新的信息都将所有假设更新一遍。 我们可以用这种方法再次帮助我们的考古学家朋友。她刚刚又找到了一个装着游戏盘和很多对硬币的箱子。她知道每对硬币中的一枚是公平的,另一枚是不公平的,但她怀疑这个箱