贝叶斯学习中的 space 版本到底是什么？
What exactly is version space in bayesian learning?
在贝叶斯学习中，假设给定数据的概率是
P(h|D) = 1/|VSh,d|
根据google，VSh,d 是 H 的假设子集，与 D 一致（即 VSh,d 是 H wrt D 的 space 版本）。
我无法理解版本 space 的确切含义。谁能给我一个解释和一个实际的例子吗？
根据贝叶斯学习，我们知道
P(h|D) = (P(D|h)*P(h)) / P(D)
其中P(D|h) = 1如果我们假设假设h与数据D一致，P(h) = 1/|H|我们假设每个假设都是等概率的，P(D)是观察到的概率来自我们假设集 H 的数据。
让我们分解一下：
我们知道H是所有可能假设的集合。所以 D 的概率将等于真正满足我们假设的假设集对所有可能假设的集合。
这是版本space，它是与我们的数据D一致的所有假设的集合，或者换句话说，满足数据的所有假设。
因此 P(D) = |VSh,d|/|H|.
当您将所有这些条款都放在适当的位置时，您会得到：
P(h|D) = 1/|VSh,d|
哪里||此处表示版本大小 space.
示例：
假设我们有我们的数据集 [4, 8, 16] 并且给定的所有可能假设的集合是
- H1 : 2 的幂
- H2 : 偶数
- H3 : 4 的幂
- H4 : 1 到 50 之间的所有值
现在，如果您看到只有三个假设满足我们的数据 [H1、H2、H4]。这被称为 version space 并且 [H1, H2, H3, H4] 是假设集。
所以你的 P(D) 会变成 |VS|/|H| 即 3/4.
在贝叶斯学习中，假设给定数据的概率是
P(h|D) = 1/|VSh,d|
根据google，VSh,d 是 H 的假设子集，与 D 一致（即 VSh,d 是 H wrt D 的 space 版本）。
我无法理解版本 space 的确切含义。谁能给我一个解释和一个实际的例子吗？
根据贝叶斯学习，我们知道
P(h|D) = (P(D|h)*P(h)) / P(D)
其中P(D|h) = 1如果我们假设假设h与数据D一致，P(h) = 1/|H|我们假设每个假设都是等概率的，P(D)是观察到的概率来自我们假设集 H 的数据。
让我们分解一下：
我们知道H是所有可能假设的集合。所以 D 的概率将等于真正满足我们假设的假设集对所有可能假设的集合。
这是版本space，它是与我们的数据D一致的所有假设的集合，或者换句话说，满足数据的所有假设。
因此 P(D) = |VSh,d|/|H|.
当您将所有这些条款都放在适当的位置时，您会得到：
P(h|D) = 1/|VSh,d|
哪里||此处表示版本大小 space.
示例：
假设我们有我们的数据集 [4, 8, 16] 并且给定的所有可能假设的集合是
- H1 : 2 的幂
- H2 : 偶数
- H3 : 4 的幂
- H4 : 1 到 50 之间的所有值
现在，如果您看到只有三个假设满足我们的数据 [H1、H2、H4]。这被称为 version space 并且 [H1, H2, H3, H4] 是假设集。
所以你的 P(D) 会变成 |VS|/|H| 即 3/4.