K****n
发帖数: 5970 | 1 有Probit function，就是Cumulative Gaussian，作概率P(x|w)，w是probit function的
一个参数，另一个已知。
然后用一个Gaussian当prior prior(w)，其中Gaussian的参数都是常数
我又知道w只有从1到100这100个整数的可能
现在有一堆sample，用X表示, likelihood是一堆probit function P(x|w)的乘积L(X|w)
那 posterior(w|X) 正比于 L(X|w)*prior(w)
这个虽然没有analytical解，但是我是不是只要把1到100一个一个试一遍，找出那个让
posterior
最大的就算解完这道题了。。。
谢谢指导！ |
D****A
发帖数: 360 | 2 这个是应该有可能有解析解的，把公式都列出来，应用一下久违的高等数学，求个导
我这个外行都觉得不会太难吧，哈哈
function的
|w)
【在 K****n 的大作中提到】
: 有Probit function，就是Cumulative Gaussian，作概率P(x|w)，w是probit function的
: 一个参数，另一个已知。
: 然后用一个Gaussian当prior prior(w)，其中Gaussian的参数都是常数
: 我又知道w只有从1到100这100个整数的可能
: 现在有一堆sample，用X表示, likelihood是一堆probit function P(x|w)的乘积L(X|w)
: 那 posterior(w|X) 正比于 L(X|w)*prior(w)
: 这个虽然没有analytical解，但是我是不是只要把1到100一个一个试一遍，找出那个让
: posterior
: 最大的就算解完这道题了。。。
: 谢谢指导！
|
K****n
发帖数: 5970 | 3 也是，好像MAP不难解
我又有点儿记混了，是不是说不是conjugate prior的时候，Bayesian inference比较
难积出
来，但是map还是比较好算的
【在 D****A 的大作中提到】
: 这个是应该有可能有解析解的，把公式都列出来，应用一下久违的高等数学，求个导
: 我这个外行都觉得不会太难吧，哈哈
:
: function的
: |w)
|
