Deleting a branch is permanent. It CANNOT be undone. Continue?
Dear OpenI User
Thank you for your continuous support to the Openl Qizhi Community AI Collaboration Platform. In order to protect your usage rights and ensure network security, we updated the Openl Qizhi Community AI Collaboration Platform Usage Agreement in January 2024. The updated agreement specifies that users are prohibited from using intranet penetration tools. After you click "Agree and continue", you can continue to use our services. Thank you for your cooperation and understanding.
For more agreement content, please refer to the《Openl Qizhi Community AI Collaboration Platform Usage Agreement》
书本P59咨询一下,噪声的正态分布如下式,描述有问题吧?
哪个是噪声?
3.1.12,3.1.13如何理解
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
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。
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
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,
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
麻烦您了 谢谢