Makine öğreniminde “önceki” terimi ne anlama gelir?

Makine öğreniminde yeniyim. Çeşitli uygulamalar için derin öğrenme uyguladıkları ve model tasarım vakalarının çoğunda "önceki" terimini kullandıkları birkaç makale okudum. Birisi bunun ne anlama geldiğini açıklayabilir mi? Ben sadece öğreticiler önceki ve arka matematiksel formülasyonu bulabilirsiniz.

— Amy
kaynak

Bu matematiksel bir kavram, yani evet, matematiksel olarak formüle edildi. Bununla birlikte, Wikipedia sayfası bol miktarda sezgi veriyor gibi görünüyor. Kontrol ettin mi? Eğer öyleyse, anlamadığınız ve cevap aradığınız şey hakkında daha fazla şey söyleyebilir misiniz?

— David Richerby

@David Richerby . Cevabınız için teşekkürler. Evet o wikipedia sayfasını kontrol etmiştim ve bir değişken hakkında bilgi veya bilgi hakkında bir şey olduğunu belirsiz bir fikir toplamak olabilir. Vücut poz tahminleri, vücut kinematik öncesi, 3D insan pozu üzerindeki önceki modellerin modellenmesi, 3D insan pozunun tahmin edilmesinden önce öğrenme öncelikleri ile ilgili vücut poz tahminine ilişkin makaleler okuyordum. Bu bağlamda "önceki" teriminin gerçekte ne anlama geldiğini net bir şekilde anlayamadım.

— Amy

jonathanweisberg.org/pdf/VarietiesvF.pdf

— Andrew

Basitçe söylemek gerekirse, herhangi bir matematiksel simgeleri olmadan önce aracı olasılık dağılımı açısından bir etkinlikle ilgili ilk inançları . Daha sonra bir deney oluşturup bazı veriler elde edersiniz ve ardından deneyin sonucuna göre (posteriori olasılık dağılımı) inancınızı (ve dolayısıyla olasılık dağılımını) "güncellersiniz".

Örnek: Bize iki bozuk para verildiğini varsayın. Ama hangi madalyonun sahte olduğunu bilmiyoruz. Madeni para 1 tarafsızdır (HEADS ve TAILS% 50 olasılıklıdır) ve Coin 2 önyargılıdır, diyelim ki, HEADS'a% 60 olasılık verdiğini biliyoruz. Matematiksel olarak:

KAFALARIMIZ varsa, bunun Coin 1 olma olasılığı 0.4 ve Coin 2 olma olasılığı 0.6

p ('H | C Ö ben n_{1}) = 0.4

$p(H | Coin_1) = 0.4$

p ('H | C Ö ben n_{2}) = 0.6

$p(H| Coin_2) = 0.6$

Yani, bir deney yapmadan önce bildiğimiz her şey bu.

Şimdi bir bozuk para seçeceğiz ve sahip olduğumuz bilgilere (H veya T) dayanarak, hangi parayı seçtiğimizi tahmin edeceğiz (Para 1 veya Para 2).

Başlangıçta $p(Coin_1) = p(Coin_2) = 0.5$

Şimdi rastgele bir bozuk para alıyoruz, fırlatıyoruz ve bir başımız var. Şu anda her şey oluyor. Bayes formülünü kullanarak posterior olasılık / dağılımı hesaplıyoruz :

p (C Ö ben n_{1} |'H) = \frac{p ('H | C Ö ben n_{1}) p (C Ö ben n_{1})}{p ('H | C Ö ben n_{1}) p (C Ö ben n_{1}) + p ('H | C Ö ben n_{2}) p (C Ö ben n_{2})} = \frac{0.4 x 0.5}{0.4 x 0.5 + 0.6 x 0.5} = 0.4

$p(Coin_1 | H) = \frac{p(H | Coin_1)p(Coin_1)}{p(H | Coin_1)p(Coin_1) + p(H | Coin_2)p(Coin_2)} = \frac{0.4\times0.5}{0.4\times0.5 + 0.6\times0.5} = 0.4$

p (C Ö ben n_{2} |'H) = \frac{p ('H | C Ö ben n_{2}) p (C Ö ben n_{2})}{p ('H | C Ö ben n_{1}) p (C Ö ben n_{1}) + p ('H | C Ö ben n_{2}) p (C Ö ben n_{2})} = \frac{0.6 x 0.5}{0.4 x 0.5 + 0.6 x 0.5} = 0.6

$p(Coin_2 | H) = \frac{p(H | Coin_2)p(Coin_2)}{p(H | Coin_1)p(Coin_1) + p(H | Coin_2)p(Coin_2)} = \frac{0.6\times0.5}{0.4\times0.5 + 0.6\times0.5} = 0.6$

$0.5$

Bu, Makine öğreniminde kullanılan Bayesci çıkarım ve istatistiklerin temel ilkesidir.

— fade2black
kaynak

Yukarıdaki örneği düzeltmeniz gerekiyor. Bu hesaplama her iki madeni paranın önyargılı olduğunu göstermektedir (Birincisi Kafaların% 40'ı problu ve ikincisi kafaları% 60 olasılıkla) Birincisinin taraflı olması durumunda Hala bir Bernoulli dağılımı ancak olasılıkları P (Coin1 | H) = 5/11 ve P (Coin2 | H) =

— 6/11

Should "o 0.4 olan Coin 1 olma olasılığı, biz BAŞKANLARI var Verilen" olarak yeniden yazılması "Biz Coin 1, bu BAŞKANLARI olma olasılığı 0.4 olduğunu var olduğu göz önüne alındığında" ?

— Mateen Ulhaq

Açıklama, makine öğrenimi açısından açıklanmaz.

— user3023715