คำว่า“ ก่อนหน้า” มีความหมายอย่างไรในการเรียนรู้ของเครื่อง

ฉันยังใหม่กับการเรียนรู้ของเครื่อง ฉันได้อ่านเอกสารหลายฉบับที่พวกเขาใช้การเรียนรู้อย่างลึกซึ้งสำหรับการใช้งานที่หลากหลายและได้ใช้คำว่า "ก่อนหน้า" ในกรณีส่วนใหญ่ของแบบจำลองการออกแบบ ใครสามารถอธิบายสิ่งที่มันหมายถึงจริง ฉันสามารถหาสูตรทางคณิตศาสตร์ของก่อนและหลังในบทเรียน

— เอมี่
แหล่งที่มา

มันเป็นแนวคิดทางคณิตศาสตร์ดังนั้นใช่มันเป็นสูตรทางคณิตศาสตร์ อย่างไรก็ตามหน้า Wikipediaดูเหมือนจะให้สัญชาตญาณมากมาย คุณตรวจสอบหรือไม่ ถ้าเป็นเช่นนั้นคุณสามารถพูดเพิ่มเติมเกี่ยวกับสิ่งที่คุณไม่เข้าใจและสิ่งที่คุณกำลังมองหาในคำตอบ?

— David Richerby

@ David Richerby ขอขอบคุณสำหรับการตอบสนองของคุณ. ใช่ฉันได้ตรวจสอบหน้าวิกิพีเดียแล้วและฉันสามารถรวบรวมความคิดที่คลุมเครือว่ามันเกี่ยวกับความรู้หรือข้อมูลเกี่ยวกับตัวแปร ฉันได้อ่านเอกสารเกี่ยวกับการประมาณค่าท่าทางของร่างกายที่มีการกล่าวถึงนักบวชท่าทางร่างกาย, จลนศาสตร์ของร่างกายมาก่อน, การสร้างแบบจำลองของนักบวชเหนือท่าทางมนุษย์ 3D, การเรียนรู้พระก่อนที่จะประมาณท่าทางมนุษย์ 3D ฉันไม่สามารถเข้าใจได้อย่างชัดเจนว่าคำว่า "ก่อนหน้า" หมายถึงอะไรจริง ๆ ในบริบทนี้

— Amy

jonathanweisberg.org/pdf/VarietiesvF.pdf

— Andrew

ใส่อย่างง่าย ๆ และไม่มีสัญลักษณ์ทางคณิตศาสตร์ใด ๆก่อนหน้านี้หมายถึงความเชื่อเบื้องต้นเกี่ยวกับเหตุการณ์ในแง่ของการแจกแจงความน่าจะเป็น จากนั้นคุณตั้งค่าการทดสอบและรับข้อมูลจากนั้น "อัปเดต" ความเชื่อของคุณ (และการกระจายความน่าจะเป็น) ตามผลลัพธ์ของการทดสอบ (การกระจายความน่าจะเป็นด้านหลัง)

ตัวอย่าง: สมมติว่าเราได้รับสองเหรียญ แต่เราไม่ทราบว่าเหรียญใดปลอม Coin 1 ไม่เอนเอียง (HEADS และ TAILS มีโอกาส 50%) และ Coin 2 นั้นเอนเอียงเรารู้ว่ามันให้ HEADS ด้วยความน่าจะเป็น 60% ศาสตร์:

เนื่องจากเรามี HEADS ความน่าจะเป็นที่เหรียญ 1 คือ 0.4 และความน่าจะเป็นที่เหรียญ 2 คือ 0.6

พี (H | ค โอ ผม n_{1}) = 0.4

$p(H | Coin_1) = 0.4$

พี (H | ค โอ ผม n_{2}) = 0.6

$p(H| Coin_2) = 0.6$

นั่นคือทั้งหมดที่เรารู้ก่อนที่เราจะตั้งค่าการทดสอบ

ตอนนี้เรากำลังจะเลือกเหรียญโยนและจากข้อมูลที่เรามี (H หรือ T) เราจะเดาว่าเหรียญที่เราเลือกคืออะไร (เหรียญ 1 หรือเหรียญ 2)

เริ่มแรกเราถือว่าเหรียญทั้งสองมีโอกาสเท่ากันเพราะเรายังไม่มีข้อมูล นี้เป็นของเราก่อน มันคือการกระจายตัวที่สม่ำเสมอ $p(Coin_1) = p(Coin_2) = 0.5$

พี (ค โอ ผม n_{1} | H) = \frac{พี (H | ค โอ ผม n_{1}) พี (ค โอ ผม n_{1})}{พี (H | ค โอ ผม n_{1}) พี (ค โอ ผม n_{1}) + พี (H | ค โอ ผม n_{2}) พี (ค โอ ผม n_{2})} = \frac{0.4 \times 0.5}{0.4 \times 0.5 + 0.6 \times 0.5} = 0.4

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

พี (ค โอ ผม n_{2} | H) = \frac{พี (H | ค โอ ผม n_{2}) พี (ค โอ ผม n_{2})}{พี (H | ค โอ ผม n_{1}) พี (ค โอ ผม n_{1}) + พี (H | ค โอ ผม n_{2}) พี (ค โอ ผม n_{2})} = \frac{0.6 \times 0.5}{0.4 \times 0.5 + 0.6 \times 0.5} = 0.6

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

$0.5$

นี่คือหลักการพื้นฐานของการอนุมานแบบเบย์และสถิติที่ใช้ในการเรียนรู้ของเครื่อง

— fade2black
แหล่งที่มา

คุณต้องแก้ไขตัวอย่างด้านบน การคำนวณนั้นแสดงให้เห็นว่าเหรียญทั้งสองลำเอียง (อันแรกที่มีหัวโพรบ 40% และอีกอันหนึ่งที่มีความเป็นไปได้ที่หัว 60%) ในกรณีที่ลำเอียงแรกลำเอียงมันยังคงเป็นการกระจายแบบเบอร์นูลี แต่มีความน่าจะเป็น P (เหรียญ 1 | H) = 5/11 และ P (Coin2 | H) =

— 6/11

ควร"ให้เรามีหัวเป็นไปได้ว่ามันเป็นเหรียญ 1 0.4"เขียนใหม่เป็น"ระบุว่าเรามีเหรียญ 1, ความน่าจะเป็นที่ว่ามันเป็นหัวคือ 0.4" ?

— Mateen Ulhaq

คำอธิบายไม่ได้อธิบายในแง่ของการเรียนรู้ของเครื่อง

— user3023715