Я спрашивал об этом раньше и действительно пытался определить, что делает параметр модели, а что скрытой переменной. Итак, глядя на различные темы по этой теме на этом сайте, основное различие выглядит следующим образом:
Скрытые переменные не наблюдаются, но имеют связанное с ними распределение вероятностей, так как они являются переменными, а параметры также не наблюдаются и не имеют связанного с ними распределения, которое, как я понимаю, является постоянным и имеет фиксированное, но неизвестное значение, которое мы пытаемся находить. Кроме того, мы можем поставить априоры на параметры, чтобы представить нашу неопределенность относительно этих параметров, даже если с ними связано только одно истинное значение или, по крайней мере, это то, что мы предполагаем. Надеюсь, я прав до сих пор?
Теперь я смотрел на этот пример для байесовской линейной регрессии из журнальной статьи и действительно пытался понять, что такое параметр, а что переменная:
Здесь и наблюдаются, но только рассматривается как переменная, т.е. имеет распределение, связанное с ней.у у
Теперь предположения моделирования:
Таким образом, дисперсия взвешена.
Существует также предварительное распределение для и , которые являются нормальным и гамма-распределением соответственно. w
Итак, полная логарифмическая вероятность определяется как:
Теперь, насколько я понимаю, и и являются параметрами модели. Однако в статье они продолжают называть их скрытыми переменными. Мое рассуждение и оба являются частью распределения вероятностей для переменной и они являются параметрами модели. Однако авторы рассматривают их как скрытые случайные величины. Это верно? Если да, то какими будут параметры модели?
Документ можно найти здесь ( http://www.jting.net/pubs/2007/ting-ICRA2007.pdf ).
В статье «Автоматическое обнаружение выбросов: байесовский подход» Ting et al.