2020-10-04 机器学习--机器学习的贝叶斯方法（DAY3）

1、硬币游戏

背景：顾客 参与投币，每次支付一英镑，投十次，正面朝上的次数小于等于6次，则顾客收回押金，净赚一英镑；若大于6次，则货摊主收益押金一英镑。

1.1 计算正面朝上的次数

1.2 贝叶斯方法

颠倒条件，求相对简单的概率。

边缘似然值（P(y[N])）等于先验（已经知道的知识）和似然（观察到的知识）乘积在r的取值范围内的积分。

2、精确的后验

当似然值是二项分布时，β分布是先验的通常选择。这是因为可以用一些代数来精确地计算后验密度。

3、三个场景

3.1 没有先验知识

背景：我们不知道硬币投掷或摊主的信息

选择先验、选择似然、计算后验、使用期望进行预测。

3.2 公平的投币

背景：硬币等可能

最终预测顾客将胜利（公平投币的情况）

3.3 有偏的投币

背景：硬币偏向正面朝上

预测玩家将会损失很多

3.4 增加更多的数据

当观察的数据越来越多时，在观察之前的先验会变得越来越不重要。

4、边缘似然估计

p® 应改写为p(r|α，β)，看做是给定参数 α、β的条件概率密度。

5、超参数

κ可以认为是基于其他随机变量密度的随机变量。

6、图模型

图模型是一个网状图，节点对应于随机变量，边代表变量间的依赖关系。

7 、小结

利用贝叶斯方法完成机器学习任务——把所有参数看作是随机变量。