贝叶斯曲线拟合模型
Bayesian curve fitting model
关于贝叶斯曲线拟合,Bishop 的 eq 1.68 - Pattern recognition
如何得出以下结果:
p(t|x, x, t) = 积分{ p(t|x, w )p(w|x,t)}dw
让我们考虑一个使用 Law of total probability 的更简单的情况。
如果 w1, w2 是不相交的事件那么
p(A) = p(A|w1) p(w1) + p(A|w2) p(w2)
我们可以将其扩展到任意数量的项目
p(A) = sum_{wi} p(A|wi) p(wi)
或者确实走极限
p(A) = int_{w} p(A|w) p(w) dw
我们可以让 A 依赖于 w 可能依赖的另一个独立事件 B
p(A|B) = int_{w} p(A|w) p(w|B) dw
或 w 不依赖的事件 C
p(A|B,C) = = int_{w} p(A|w,C) p(w|B) dw
这只是您使用不同变量的公式。
关于贝叶斯曲线拟合,Bishop 的 eq 1.68 - Pattern recognition
如何得出以下结果:
p(t|x, x, t) = 积分{ p(t|x, w )p(w|x,t)}dw
让我们考虑一个使用 Law of total probability 的更简单的情况。 如果 w1, w2 是不相交的事件那么
p(A) = p(A|w1) p(w1) + p(A|w2) p(w2)
我们可以将其扩展到任意数量的项目
p(A) = sum_{wi} p(A|wi) p(wi)
或者确实走极限
p(A) = int_{w} p(A|w) p(w) dw
我们可以让 A 依赖于 w 可能依赖的另一个独立事件 B
p(A|B) = int_{w} p(A|w) p(w|B) dw
或 w 不依赖的事件 C
p(A|B,C) = = int_{w} p(A|w,C) p(w|B) dw
这只是您使用不同变量的公式。