#18 书本P59咨询一下

①ε表示噪声，书中说的不够明确
②其实ε服从正态高斯分布的话，根据概率知识，y也服从正态分布，而3.1.12作为线性回归模型，服从正态分布，ε=y-wx+b，代入3.1.13后，就可以求出发生这个误差的概率(或者说回归模型的概率密度函数)，最后目的是让误差最小。
可以看下以下两个讲解链接
http://www.cnblogs.com/softlin/articles/6219372.html
或者
http://blog.csdn.net/qq_34319644/article/details/107335942

①ε表示噪声，书中说的不够明确
②其实ε服从正态高斯分布的话，根据概率知识，y也服从正态分布，而3.1.12作为线性回归模型，服从正态分布，ε=y-wx+b，代入3.1.13后，就可以求出发生这个误差的概率(或者说回归模型的概率密度函数)，最后目的是让误差最小。
可以看下以下两个讲解链接
http://www.cnblogs.com/softlin/articles/6219372.html
或者
http://blog.csdn.net/qq_34319644/article/details/107335942

最大似然估计我知道，不看后面计算。只到3.13

我想咨询一下，3。13里面那个sigma是噪声正态分布的sigma还是你说y符合正态分布y的sigma

3.13 应该是y的正态分布，里面e指数为什么是这种形式，不应该是y_hat-mu_y?

①ε表示噪声，书中说的不够明确
②其实ε服从正态高斯分布的话，根据概率知识，y也服从正态分布，而3.1.12作为线性回归模型，服从正态分布，ε=y-wx+b，代入3.1.13后，就可以求出发生这个误差的概率(或者说回归模型的概率密度函数)，最后目的是让误差最小。
可以看下以下两个讲解链接
http://www.cnblogs.com/softlin/articles/6219372.html
或者
http://blog.csdn.net/qq_34319644/article/details/107335942

---

最大似然估计我知道，不看后面计算。只到3.13

我想咨询一下，3。13里面那个sigma是噪声正态分布的sigma还是你说y符合正态分布y的sigma

3.13 应该是y的正态分布，里面e指数为什么是这种形式，不应该是y_hat-mu_y?

①ε是噪声的正态分布
②事实上3.13指的是ε的正态分布概率密度，因为ε服从正态分布，所以将ε用3.12的公式等价替换最终得到3.13的表达式

①ε表示噪声，书中说的不够明确
②其实ε服从正态高斯分布的话，根据概率知识，y也服从正态分布，而3.1.12作为线性回归模型，服从正态分布，ε=y-wx+b，代入3.1.13后，就可以求出发生这个误差的概率(或者说回归模型的概率密度函数)，最后目的是让误差最小。
可以看下以下两个讲解链接
http://www.cnblogs.com/softlin/articles/6219372.html
或者
http://blog.csdn.net/qq_34319644/article/details/107335942

---

最大似然估计我知道，不看后面计算。只到3.13

我想咨询一下，3。13里面那个sigma是噪声正态分布的sigma还是你说y符合正态分布y的sigma

3.13 应该是y的正态分布，里面e指数为什么是这种形式，不应该是y_hat-mu_y?

①ε是噪声的正态分布
②事实上3.13指的是ε的正态分布概率密度，因为ε服从正态分布，所以将ε用3.12的公式等价替换最终得到3.13的表达式

您的意思是，P(y|x)是给定数据x观察到噪声的似然？
也及时y = ε? 所以公式里用的方差和均值都是噪声的方差和均值

--
我怎么有点不明白，那他下面证明思路是什么 x下发出噪声的概率让它最大 然后就证明了 噪声的加入 对 原函数求均方差这个方法没变化？

不用引用回复哈，看着很长不好抓重点😂

没关系只是个建议哈哈哈

没关系只是个建议哈哈哈

我擦 问题要等明天了 没人回答。

3.13的表达式是由ε符合正态分布引出正态分布概率密度公式，再结合3.12得出的由3.13可以看出来y是自变量而wx+b是均值，所以写成P(y|x)的形式
所以证明的思路是利用ε符合正态分布，再结合3.12的式子，替换ε得出3.13从而证明在噪声的假设下，最小化均方误差等价于对线性模型的极大似然估计。

3.13的表达式是由ε符合正态分布引出正态分布概率密度公式，再结合3.12得出的由3.13可以看出来y是自变量而wx+b是均值，所以写成P(y|x)的形式
所以证明的思路是利用ε符合正态分布，再结合3.12的式子，替换ε得出3.13从而证明在噪声的假设下，最小化均方误差等价于对线性模型的极大似然估计。

谢谢

那还是有个问题咨询。

您的意思是，P(y|x)，特定x下，引入噪音ε后的概率密度函数？也就是y= wx+b+ε的概率密度函数？

是不是这么理解的 ？因为这样才是您说的，y是自变量而wx+b是均值

那我有个疑问，那这个方差不应该是y的方差，为什么用噪音的方差。

也就是3.12中噪音方差，和3.13中的方差是不是一个方差，写的一样

是同一个方差

是同一个方差

您好，这点我不太懂：

y是自变量，3.13那方差不应该是y的方差？ y= wx+b+ε

假设，

1. x~N(mu_1,sigma_1.pow(2))
2. ε~N(0,sigma_2.pow(2)) ，这个sigma_2就是书上公式的方差
3. x与ε相互独

那么
mu_y = w * mu_1+b+0
sigma_y = w * sigma_1+sima_2 ?= sima_2

那y的方差sigma_y通过公式看， 怎么会和sigma_2 (sigma_2就是书上公式噪音的方差)是一个方差？

一切的前提都是ε服从正态分布，引出概率密度公式，再由3.12公式替换ε

可以加我微信：Qing_bobo1，我们面对面解决

可以加我微信：Qing_bobo1，我们面对面解决

麻烦您了 谢谢