摘要：
记号说明 $1.输入集\textbf{X}={x_1,...,x_N}是N个观测值,某一个观测{x_n},其中n=1,2,...,N,通俗讲就是$x_train$,或者文中称为\mathcal{D}$ $2.观测对应的目标值\textbf{t}={t_1,...,t_n},通俗讲就是$y_train 阅读全文
摘要：
证明 贝叶斯定理$p(w|t)\propto p(t|w)p(w)$ 代入3.10 ,3.48 \(p(\textbf{t}|\textbf{X},w,\beta) = \prod\limits_{n=1}^N\mathcal{N}(t_n|w^T\phi(x_n),\beta^{-1})\) \( 阅读全文
摘要：
本章节主要讨论 在使用贝叶斯方法对参数进行求和或者积分时，过拟合现象不会出现 1.偏置-方差分解 1.5.5节中，当我们讨论回归问题的决策论时，我们考虑了一旦我们知道了条件概率分布$ p(t|x) $，就能够给出对应的最优预测结果的不同损失函数。使用最多的平方误差函数，此时最优预测的条件期望： \( 阅读全文
摘要：
记号说明 $1.输入集\textbf{X}={x_1,...,x_N}是N个观测值,某一个观测{x_n},其中n=1,2,...,N,通俗讲就是$x_train$,或者文中称为\mathcal{D}$ $2.观测对应的目标值\textbf{t}={t_1,...,t_n},通俗讲就是$y_train 阅读全文