机器学习:贝叶斯推理

用于计算视觉计算，贝叶斯推理是一种更新模型假设的方法z以下数据观察x．

它运用了贝叶斯定理

关于潜在变量的先验假设z, p (z),在新一批数据之前量化我们的信念x是观察到的。我们假设x都是由一个恒定的数据生成过程生成的，p (x)我们可以量化观察的可能性x鉴于我们的假设z通过条件分布p (x | z)．尽管是一个有点抽象的概念，但贝叶斯推理在现实世界中有很多应用，是支持许多机器学习技术的强大工具。一份不完整的申请名单包括:

• 概率和生成建模-例如图像标准化和变分自动编码器
• 参数模型的不确定性量化-例如贝叶斯神经网络

不确定性量化是贝叶斯推理最普遍的应用之一。例如，在参数回归中，我们观察到的数据实际上是成对的数据(x, y)我们的任务就是预测标签y关于新的数据点x，已知后验分布的封闭表达式p (z | {x, y})．注意，在这种设置中，可能性有固定的形式p (y | x, z)．不确定性通过后验预测分布来量化，

对于有限数量的场景，哪个有一个封闭形式的表达式，例如whenp (y | x, z)是具有各向同性标准差的正态分布，其期望值是的线性模型z．否则，样本的潜在变量z是由后验分布产生的吗p (z | {x, y})的期望值和方差p (y│x, {x, y})必须进行数值计算。

值得通过注意贝叶斯定理在这里的应用来总结贝叶斯推理，假设我们有一个封闭形式的表达式来评估后验分布p (z│x)．这并不总是近似值的情况p (z│x)为了使用模型预测，必须经常进行，例如通过后验预测分布。机器学习的一个大分支叫做近似推理，实际上就是为了达到这个目的而存在的。

在El爱游戏全站客户端ement，我们在数字工程操作中使用贝叶斯推理方法。联系我们的数字工程团队了解更多信息。