| 【中文题名】 | 贝叶斯学习的先验分布的研究 |
| 【英文题名】 | Studying on Prior Distribution in Bayesian Learning |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2002-4-2 |
| 【中关键词】 | 机器学习,贝叶斯方法,先验分布,后验分布,, |
| 【英关键词】 | Mackine learning, Bayesian method, prior distribution, posterior, distribution, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>自动推理、机器学习> |
| 【论文摘要】 |
贝叶斯方法起源于著名的贝叶斯公式（又称为贝叶斯定理）。其后，发展成为一种
系统的统计推断和决策的方法.90年代进一步研究可学习的贝叶斯网络，用于机器
学习．由于概率统计与数据采掘的天然联系。数学采据兴起后贝叶斯网络日益受到
重视，再次成为引人注目的热点．与非贝叶扬方法相比，贝叶斯方法的特出特点是
其学习机制可以综合先验信息和后验信息，既可避免只使用先验信息可能带来的主
观偏见，和缺乏样本信息时的大量盲目搜索与计算，也可避免只使用样本信息带来
的噪音的影响．只要合理地确定先验，就可以进行有效的学习。因此，适用于具有
概率统计特征的数据采掘和机器学习（或发现）问题，尤其是样本难得的问题．贝
叶斯方法遇到的一个重大的问题是先验分布的确定依据的只是一些准则，没有可操
作的完整的理论．在许多情况下先验分布的合理性和准确性难以评价．本文主要对
先验分布的迭取进行研究．
1．本论文讨论贝叶斯学习中的一个基本问题—相容性问题．本文主要讨论相
容性的定义和性质，证明了在相客性前提下贝叶斯学习的先验无关性：通过一些反
例说明不相... |
| 【论文题纲】 |
|
绪论 |
12-23 |
|
0．1 主观概率与先验分布 |
12-13 |
|
0．2 确定主观概率的方法 |
13-14 |
|
0．3 利用先验信息确定先验分布 |
14-16 |
|
0．4 无信息先验分布 |
16-19 |
|
0．5 鞋利用边缘分布 |
19-20 |
|
0．6 纯启发式方法 |
20 |
|
0．7 随机化方法 |
20-21 |
|
0．8 贝叶斯启发式方法 |
21 |
|
0．9 贝叶斯启发式方法 |
21-23 |
|
第一章 贝叶斯方法的学习机制及其相容性 |
23-30 |
|
1．1 贝叶斯方法的学习机制 |
23-26 |
|
1．2 贝叶斯学习的相容性 |
26-28 |
|
1．3 相容性贝叶斯学习的条件 |
28-29 |
|
l．4 注记 |
29-30 |
|
第二章 贝叶斯学习中后验分布的渐近正态性 |
30-36 |
|
2．1 条件和结论 |
30-32 |
|
2．2 定理的证明 |
32-36 |
|
第三章 基于贝叶斯判别分析的先验分布的选取 |
36-41 |
|
3．1 先验分布的后验信念 |
36-37 |
|
3．2 基于极大后验信念的先验分布的选取 |
37-41 |
|
第四章 基于贝叶斯决策分析的先验分布的选取 |
41-45 |
|
4．l 贝叶斯决策与后验信念 |
41-42 |
|
4．2 基于最小后验期望损失的先验分布的选取 |
42-44 |
|
4．3 注记 |
44-45 |
|
第五章 贝叶斯学习中确定先验的参数化方法 |
45-48 |
|
5．1 线性联合LOP先验 |
45-46 |
|
5．2 基于LOP的确定先验的参数化方法 |
46-47 |
|
5．3 注记 |
47-48 |
|
结束语 |
48-49 |
|
参考资料 |
49-51 |
|
致谢 |
51 |
|
| 【DOI】 | LunWen.ID:2.2008.386408 |
