Machine learning 贝叶斯方法：贝叶斯推理中哪一部分比较难评价

我有一个关于贝叶斯中后验推理的问题

在贝叶斯推理中，假设我们得到一个模型p（x | \theta）和一个先验分布p（\theta），我们观察数据集D={x | u 1，x | u 2，…，x | N}，目标是估计通常难以处理的后验p（\theta | D）

有时我发现有些人选择评估关节p（\theta，D），因为这种关节分布与后面的p（\theta，D）=p（\theta，D）/p（D）成正比，这背后的原因是什么？p（D）不是很难评估吗？谢谢您的建议。

您希望通过找到最佳参数θ来最大化p（θ| D）

这可以重写为argmax p（θ| D）p（D）

然而，p（D）与θ无关。因此，您可以忽略它或使用可读的数学符号

您希望通过找到最佳参数θ，使p（θ| D）最大化

这可以重写为argmax p（θ| D）p（D）

然而，p（D）与θ无关。因此，您可以忽略它或使用可读的数学符号

---

对于观测数据x和参数T，贝叶斯定理可以表示为p（T | x）=p（T，x）/p（x）=p（x | T）p（T）/p（x）

p（x | T）通常被称为模型的“可能性”部分-如果指定模型，这在计算上很容易。类似地，p（T）给出了您指定的模型优先级

---

你是对的，分母p（X）是一团乱，但正如@CAFEBABE指出的，它独立于参数T，所以它在功能上是一个常数。因此，后验分布通常被简化为p（T | x）与p（x | T）p（T）成比例。

对于观测数据x和参数T，贝叶斯定理可以表示为p（T | x）=p（T，x）/p（x）=p（x | T）p（T）/p（x）

p（x | T）通常被称为模型的“可能性”部分-如果指定模型，这在计算上很容易。类似地，p（T）给出了您指定的模型优先级

---

你是对的，分母p（X）是一团乱，但正如@CAFEBABE指出的，它独立于参数T，所以它在功能上是一个常数。因此，后验分布通常被简化为p（T | x）与p（x | T）p（T）成比例。

为了澄清，这种简化（即p（T | x）与p（x | T）p（T）成比例）只是一种简化。因此，它对于实际应用几乎是无用的，因为后验分布的积分是最终目标。为了澄清，这种简化（即p（T | x）与p（x | T）p（T）成比例）只是一种简化。因此，它对于实际应用几乎是无用的，因为后验分布的积分是最终目标。