Có nghĩa là gì bởi thuật ngữ trước trước khi học trong máy học

Tôi mới học máy. Tôi đã đọc một số bài báo trong đó họ đã sử dụng học tập sâu cho các ứng dụng khác nhau và đã sử dụng thuật ngữ "trước" trong hầu hết các trường hợp thiết kế mô hình, nói trước khi ước tính tư thế cơ thể con người. Ai đó có thể giải thích những gì nó thực sự có nghĩa là gì. Tôi chỉ có thể tìm thấy công thức toán học của trước và sau trong các hướng dẫn.

— Amy
nguồn

Đó là một khái niệm toán học vì vậy, vâng, nó được xây dựng theo toán học. Tuy nhiên, trang Wikipedia dường như đưa ra nhiều trực giác. Bạn đã kiểm tra nó chưa? Nếu vậy, bạn có thể nói thêm về những gì bạn không hiểu và những gì bạn đang tìm kiếm trong một câu trả lời?

— David Richerby

@David Richerby . Cảm ơn bạn đã phản hồi của bạn. Có, tôi đã kiểm tra trang wikipedia đó và tôi có thể thu thập một ý tưởng mơ hồ rằng đó là một cái gì đó về kiến thức hoặc thông tin về một biến. Tôi đã đọc các bài báo về ước tính tư thế cơ thể, trong đó có đề cập đến các linh mục tư thế cơ thể, động lực học cơ thể trước đó, mô hình các linh mục qua tư thế con người 3D, các linh mục học tập, trước khi ước tính tư thế con người 3D. Tôi không thể hiểu rõ ràng thuật ngữ "trước" thực sự có nghĩa gì trong bối cảnh này.

— Amy

jonathanweisberg.org/pdf/VarestsvF.pdf

— Andrew

Nói một cách đơn giản, và không có bất kỳ ký hiệu toán học nào, trước đó có nghĩa là niềm tin ban đầu về một sự kiện về mặt phân phối xác suất . Sau đó, bạn thiết lập một thử nghiệm và nhận một số dữ liệu, sau đó "cập nhật" niềm tin của bạn (và do đó phân phối xác suất) theo kết quả của thử nghiệm, (phân phối xác suất posteriori).

Ví dụ: Giả sử chúng ta được tặng hai đồng tiền. Nhưng chúng tôi không biết đồng tiền nào là giả. Coin 1 không thiên vị (ĐẦU và TAILS có xác suất 50%) và Coin 2 bị sai lệch, giả sử, chúng tôi biết rằng nó mang lại cho ĐẦU với xác suất 60%. Về mặt toán học:

p (H | C o Tôi n_{1}) = = 0,4

$p(H | Coin_1) = 0.4$

p (H | C o Tôi n_{2}) = = 0,6

$p(H| Coin_2) = 0.6$

Vì vậy, đó là tất cả những gì chúng ta biết trước khi chúng ta thiết lập một thử nghiệm.

Bây giờ chúng tôi sẽ chọn một đồng xu tung nó, và dựa trên thông tin những gì chúng tôi có (H hoặc T), chúng tôi sẽ đoán xem chúng tôi đã chọn loại tiền nào (Coin 1 hoặc Coin 2).

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

p (C o Tôi n_{1} | H) = = \frac{p (H | C o Tôi n_{1}) p (C o Tôi n_{1})}{p (H | C o Tôi n_{1}) p (C o Tôi n_{1}) + p (H | C o Tôi n_{2}) p (C o Tôi n_{2})} = = \frac{0,4 \times 0,5}{0,4 \times 0,5 + 0,6 \times 0,5} = = 0,4

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

p (C o Tôi n_{2} | H) = = \frac{p (H | C o Tôi n_{2}) p (C o Tôi n_{2})}{p (H | C o Tôi n_{1}) p (C o Tôi n_{1}) + p (H | C o Tôi n_{2}) p (C o Tôi n_{2})} = = \frac{0,6 \times 0,5}{0,4 \times 0,5 + 0,6 \times 0,5} = = 0,6

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

$0.5$

Đây là nguyên tắc cơ bản của suy luận và thống kê Bayes được sử dụng trong Machine learning.

— fade2black
nguồn

Bạn cần sửa ví dụ trên. Tính toán đó cho thấy cả hai đồng tiền đều bị sai lệch (Cái đầu tiên có đầu dò 40% và cái thứ hai có xác suất đầu 60%) Trong trường hợp cái đầu tiên bị sai lệch Nó vẫn là phân phối Bernoulli nhưng có xác suất P (Coin1 | H) = 5/11 và P (Coin2 | H) = 6/11

— daniels_pa

Có nên viết "Cho chúng ta có TIÊU ĐỀ, xác suất đó là Coin 1 là 0,4" được viết lại thành "Cho rằng chúng ta có Coin 1, xác suất đó là ĐẦU là 0,4" ?

— Mateen Ulhaq