贝叶斯学习
发布时间
阅读量：
阅读量
贝叶斯学习是一种基于观测样本更新后验概率密度的方法。通过递推公式\rho(\theta|X^N)逐步更新参数估计，在没有样本情况下使用先验概率\rho(\theta)表示参数的概率密度估计。随着样本数量的增加，后验概率密度逐渐尖锐，并趋向于以真实参数值为中心的尖峰分布；当样本数趋于无穷时，收敛于参数真实值处的脉冲函数。这一过程称为贝叶斯学习。
贝叶斯学习
贝叶斯估计
全部评论 (0)
还没有任何评论哟~
贝叶斯学习是一种基于观测样本更新后验概率密度的方法。通过递推公式\rho(\theta|X^N)逐步更新参数估计，在没有样本情况下使用先验概率\rho(\theta)表示参数的概率密度估计。随着样本数量的增加，后验概率密度逐渐尖锐，并趋向于以真实参数值为中心的尖峰分布；当样本数趋于无穷时，收敛于参数真实值处的脉冲函数。这一过程称为贝叶斯学习。
贝叶斯估计