Professional Documents
Culture Documents
Bayes paraméterbecslés
Hangos Katalin
MTA SzTAKI, Folyamatirányítási Kutató Csoport
PE Számítástudomány Alkalmazása Tanszék
ℓ(ε, θ, k) = − ln fε (ε, k; θ)
A ML becslés:
N
1 X
θ̂M L (y N ) = arg min −ℓ(ε(i, θ), i; θ)
θ N
i=1
A LKN becslés:
N
1 X 1
N N N
θ̂M L (y ) = arg min VN (θ, y ) , VN (θ, D ) = ε(k, θ)2
θ∈DM N 2
k=1
N
1 X
VN (θ, y N ) = − ln fε (ε(i, θ), i; θ)
N i=1
alakúra választjuk.
IDENT előadás 5a – p. 4/2
A BAYES BECSLÉS MATEMATIKAI ALAPJAI
Adott
(1) az a valószínűségi változó sűrűségfüggvénye: p(a) = fa (x),
(2) az a és b együttes sűrűségfüggvénye: p(a, b) = fab (x1 , x2 ),
(3) az a-nak a b-re vonatkozó feltételes s.f.-e: p(a|b) = f(a|b) (x)
Z
p(a, b)
p(b|a) = , p(a) = p(a, b)db
p(a) Ωb
p(a, b) p(a|b)p(b)
p(b|a) = = R
p(a) p(a, b)db
P (Bk ∩ A) P (A | Bk )P (Bk )
((P (Bk | A) = = PN ))
P (A) i=1 P (A | Bi )P (Bi )
és Z
p(b|c) = p(a, b|c)da
Ωa
p(a, b) = p(a|b)p(b)
p(b|a, c)p(a|c)
p(a|b, c) = R
p(b|a, c)p(a|c)da
b ∼ y(k) , a ∼ θ , c ∼ D k−1
ahol
p0 (θ) = p(θ | D 0 )
az úgynevezett prior vagy kezdeti becslés és N ORM egy normalizáló
tényező.
N
Y
p(y N |θ) = p(y(k)|D k−1 , θ)
k=1