机器学习-白板推导系列笔记(十九)-贝叶斯线性回归

Posted 及时行樂_

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习-白板推导系列笔记(十九)-贝叶斯线性回归相关的知识,希望对你有一定的参考价值。

此文章主要是结合哔站shuhuai008大佬的白板推导视频:贝叶斯线性回归_81min

全部笔记的汇总贴:机器学习-白板推导系列笔记

一、背景介绍

我们首先回顾一下线性回归,线性回归是最简单的回归问题。

D a t a : ( x i , y i ) i = 1 N , x i ∈ R p , y i ∈ R Data:\\(x_i,y_i)\\^N_i=1,x_i\\in R^p,y_i\\in R Data:(xi,yi)i=1N,xiRp,yiR
X = ( x 1    x 2    ⋯    x N ) T = ( x 1 T x 2 T ⋮ x N T ) = ( x 11    x 12    ⋯    x 1 p x 21    x 22    ⋯    x 2 p ⋮          ⋮                          ⋮ x N 1    x N 2    ⋯    x N p ) X=(x_1\\;x_2\\;\\cdots\\;x_N)^T=\\left(\\beginmatrixx_1^T \\\\ x_2^T \\\\\\vdots\\\\x_N^T\\endmatrix\\right)=\\left(\\beginmatrixx_11\\;x_12\\;\\cdots\\;x_1p \\\\x_21\\;x_22\\;\\cdots\\;x_2p \\\\\\vdots\\;\\;\\;\\;\\vdots\\;\\;\\;\\;\\;\\;\\;\\;\\;\\;\\;\\;\\vdots \\\\x_N1\\;x_N2\\;\\cdots\\;x_Np \\endmatrix\\right) X=(x1x2xN)T=x1Tx2TxNT=x11x12x1px21x22x2pxN1xN2xNp
Y = ( y 1 y 2 ⋮ y N ) N ∗ 1 Y=\\left(\\beginmatrixy_1 \\\\ y_2 \\\\\\vdots\\\\y_N\\endmatrix\\right)_N*1 Y=y1y2yNN1
所以线性回归模型为: f ( x ) = W T x = x T W y = f ( x ) + ε ( n o i s e ) f(x)=W^Tx=x^TW\\\\y = f(x)+\\varepsilon(noise) f(x)=WTx=xTWy=f(x)+ε(noise)
其中, x , y , ε      a r e      r . v x ∈ R p , y ∈ R , ε ∼ N ( 0 , σ 2 ) x,y,\\varepsilon \\;\\;are\\;\\;r.v\\\\x\\in R^p,y\\in R,\\varepsilon\\sim N(0,\\sigma^2) x,y,εarer.vxRp,yR,εN(0,σ2)


频率派(w is unknown constant)是一个优化问题,点估计。
MLE中有, W M L E = arg max ⁡ w p ( D a t a ∣ w ) W_MLE=\\undersetw\\argmaxp(Data|w ) WMLE=wargmaxp(Dataw)
MAP中有(上图所示), W M A P = arg max ⁡ w p ( D a t a ∣ w ) W_MAP=\\undersetw\\argmaxp(Data|w ) WMAP=wargmaxp(Dataw)

而现在主要使用贝叶斯方法,属于贝叶斯派(w is r.v),不属于点估计也不是优化问题,而是要把后验 p ( w ∣ D a t a ) p(w|Data) p(wData)求出来。

二、推导

(一)介绍

还是先给数据,

D a t a : ( x i , y i ) i = 1 N , x i ∈ R p , y i ∈ R Data:\\(x_i,y_i)\\^N_i=1,x_i\\in R^p,y_i\\in R Data:(xi,yi)i=1N,xiRp,yiR
X = (

以上是关于机器学习-白板推导系列笔记(十九)-贝叶斯线性回归的主要内容,如果未能解决你的问题,请参考以下文章

机器学习线性回归——岭回归从贝叶斯角度理解(理论+图解+公式推导)

机器学习白板,最小二乘法,线性回归,矩阵表达

详解线性分类-逻辑回归(Logistic Regression)白板推导系列笔记

机器学习基础——推导线性回归公式

小白的机器学习笔记系列 之五 - 朴素贝叶斯分类

机器学习 ppt 4分析题答题:神经网络,朴素贝叶斯,一元线性回归,聚类