MML
Search
Ctrl + K
2.2.4. ベイズ線形回帰モデル
前回の確率モデルで事前分布と事後分布をうまく設計すれば、重みについてのベイズ推定を行うことができる。
p
(
w
∣
y
,
x
)
=
p
(
y
∣
x
,
w
)
p
(
w
)
p
(
y
,
x
)
∝
p
(
y
∣
x
,
w
)
p
(
w
)
\begin{aligned} p(w | y, x) &= \frac{p(y|x,w)p(w)}{p(y,x)} \\ &\propto p(y|x,w)p(w) \end{aligned}
p
(
w
∣
y
,
x
)
=
p
(
y
,
x
)
p
(
y
∣
x
,
w
)
p
(
w
)
∝
p
(
y
∣
x
,
w
)
p
(
w
)
p
(
w
)
=
N
(
w
∣
μ
,
Σ
)
=
1
(
2
π
)
N
∣
Σ
∣
exp
(
−
1
2
(
w
−
μ
)
T
Σ
−
1
(
w
−
μ
)
)
p(w) = \mathcal{N} (w | \mu, \Sigma) = \frac{1}{\sqrt{(2 \pi ) ^ N | \Sigma |}} \exp \left( - \frac{1}{2}(w - \mu) ^ \mathrm{T} \Sigma ^ {-1} (w - \mu) \right)
p
(
w
)
=
N
(
w
∣
μ
,
Σ
)
=
(
2
π
)
N
∣Σ∣
1
exp
(
−
2
1
(
w
−
μ
)
T
Σ
−
1
(
w
−
μ
)
)
p
(
y
∣
x
,
w
)
=
∏
i
=
1
N
N
(
y
∣
w
T
ϕ
(
x
)
,
λ
−
1
)
p(y | x, w) = \prod _ {i = 1} ^ N \mathcal{N} (y | w ^ \mathrm{T} \phi(x), \lambda ^ {-1})
p
(
y
∣
x
,
w
)
=
i
=
1
∏
N
N
(
y
∣
w
T
ϕ
(
x
)
,
λ
−
1
)
p
(
w
∣
y
,
x
)
∝
p
(
y
∣
x
,
w
)
p
(
w
)
=
\begin{aligned} p(w | y, x) & \propto p(y | x,w)p(w) \\ &= \end{aligned}
p
(
w
∣
y
,
x
)
∝
p
(
y
∣
x
,
w
)
p
(
w
)
=
Previous
いろいろな基底関数
Next
2.2.5. カーネル回帰
Last updated
4 years ago