PRML第三章3.3贝叶斯线性回归

时间 2021-01-13

标签 PRML 栏目应用数学繁體版

原文原文链接

贝叶斯线性回归 3.3.1参数分布关于线性拟合的贝叶斯方法。引入模型参数W的先验分布(噪声精度β被当做常数)。first，由前面公式定义的似然函数p(t|w)是w的二次函数的指数形式。w对应的共轭先验是高斯分布：均值为m0，协方差为S0。接着计算后验分布，正比于似然函数与先验分布的乘积。上面得知w的共轭先验是高斯分布，所以后验分布也是高斯分布。通过对指数项配平方，然后使用归一化的高斯分布的结

>>阅读原文<<

1. 贝叶斯线性回归
2. PRML 第三章 - 线性回归
3. 贝叶斯线性回归（单输出）
4. 【贝叶斯分析④】线性回归
5. 贝叶斯线性回归推导
6. 贝叶斯线性回归 Bayesian Linear Regression
7. 贝叶斯网-贝叶斯回归
8. 贝叶斯线性回归文章汇总
9. 贝叶斯逻辑回归
10. 第三章线性回归回顾
更多相关文章...
• SVG 渐变 - 线性 - SVG 教程
• Scala 递归函数 - Scala教程
• 算法总结-回溯法
• 三篇文章了解 TiDB 技术内幕——说存储