Что подразумевается под термином «предыдущий» в машинном обучении

Я новичок в машинном обучении. Я прочитал несколько статей, в которых они использовали глубокое обучение для различных применений и использовали термин «предшествующий» в большинстве случаев проектирования модели, скажем, предварительный при оценке позы человеческого тела. Может кто-нибудь объяснить, что это на самом деле означает. Я мог только найти математическую формулировку предшествующего и последующего в уроках.

— Эми
источник

Это математическая концепция, так что да, она сформулирована математически. Тем не менее, страница Википедии, кажется, дает много интуиции. Вы это проверяли? Если да, не могли бы вы рассказать больше о том, чего вы не поняли и что вы ищете в ответе?

— Дэвид Ричерби

@ Дэвид Ричерби . Благодарю за ваш ответ. Да, я проверил эту страницу википедии и смог собрать смутное представление о том, что это что-то о знаниях или информации о переменной. Я читал статьи об оценке позы тела, где упоминались априоры позы тела, алименты тела, моделирование априоров по трехмерной позе человека, изучение приоров до оценки трехмерной позы человека. Я не мог четко понять, что на самом деле означает термин «предыдущий» в этом контексте.

— Эми

jonathanweisberg.org/pdf/VarietyvF.pdf

— Эндрю

Проще говоря, без каких-либо математических символов, предшествующий означает первоначальные представления о событии с точки зрения распределения вероятностей . Затем вы настраиваете эксперимент и получаете некоторые данные, а затем «обновляете» свои убеждения (и, следовательно, распределение вероятностей) в соответствии с результатами эксперимента (апостериорное распределение вероятностей).

Пример: Предположим, нам дали две монеты. Но мы не знаем, какая монета подделка. Монета 1 является беспристрастной (HEADS и TAILS имеют 50% вероятности), а Coin 2 является предвзятой, скажем, мы знаем, что она дает HEADS с вероятностью 60%. Математически:

Учитывая, что у нас есть ГОЛОВЫ, вероятность того, что это Монета 1, равна 0,4 а вероятность того, что это Монета 2, составляет 0,6

п (ЧАС | С о я N_{1}) знак равно 0,4

$p(H | Coin_1) = 0.4$

п (ЧАС | С о я N_{2}) знак равно 0.6

$p(H| Coin_2) = 0.6$

Итак, это все, что мы знаем, прежде чем приступить к эксперименту.

Теперь мы собираемся выбрать монетку, чтобы бросить ее, и на основе информации о том, что у нас есть (H или T), мы будем угадывать, какую монету мы выбрали (Coin 1 или Coin 2).

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

п (С о я N_{1} | ЧАС) знак равно \frac{п (ЧАС | С о я N_{1}) п (С о я N_{1})}{п (ЧАС | С о я N_{1}) п (С о я N_{1}) + п (ЧАС | С о я N_{2}) п (С о я N_{2})} знак равно \frac{0,4 \times 0,5}{0,4 \times 0,5 + 0.6 \times 0,5} знак равно 0,4

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

п (С о я N_{2} | ЧАС) знак равно \frac{п (ЧАС | С о я N_{2}) п (С о я N_{2})}{п (ЧАС | С о я N_{1}) п (С о я N_{1}) + п (ЧАС | С о я N_{2}) п (С о я N_{2})} знак равно \frac{0.6 \times 0,5}{0,4 \times 0,5 + 0.6 \times 0,5} знак равно 0.6

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

$0.5$

Это основной принцип байесовского вывода и статистики, используемых в машинном обучении.

— fade2black
источник

Вам нужно исправить пример выше. Этот расчет показывает, что обе монеты смещены (первая с вероятностью головы 40%, а вторая с вероятностью головы 60%). Если первая смещена, это все еще распределение Бернулли, но с вероятностями P (Coin1 | H) = 5/11 и P (Coin2 | H) =

— 6/11

Следует ли «учитывая, что у нас есть ГОЛОВЫ, вероятность того, что это Монета 1, равна 0,4» переписать как «Учитывая, что у нас есть Монета 1, вероятность того, что это Монета 1, равна 0,4» ?

— Матин Улхак

Объяснение не объясняет с точки зрения машинного обучения.

— user3023715