7. 訓練集合Dが与えられたとき、モデルの事後分布
p M i∣D∝ p M i p D∣M i −3.66
を評価
●
p(D|M_i) はモデルエビデンスと呼ばれ、ベイズ
モデル比較で重要な働きをする(周辺尤度とも呼
ばれる)
●
p(D|Mi)/p(D|Mj)はベイズ因子と呼ばれる
8. ●
一旦モデルの事後分布がわかれば、確率の加法・
乗法定理より予測分布は
L
p t∣x , D=∑ pt∣x , M i , D p M i∣D−3.67
i=1
p(t|x,D)=Σp(t, Mi | x,D) 加法定理
=Σp(t|x, Mi, D)p(Mi|x,D) 乗法定理
これは混合分布の一種
●
● 全体の予測分布が,個々のモデルの予測分布
p(t | x, Mi, D)の事後確率 p( Mi | D )に関する重み付き平
均で得られる
10. モデル選択
●
モデル平均の単純な近似は、一番もっともらし
いモデルを1つ選ぶ方法である
●
これはモデル選択と呼ばれる
●
パラメータwを持つモデルに対して、モデルエ
ビデンスは
p D∣M i =∫ p D∣w , M i p w∣M i dw−3.68
p D∣M i =∫ p D , w∣M i dw 加法定理
それと乗法定理
11. p D∣M i =∫ p D∣w , M i p w∣M i dw−3.68
●
標本化の観点から、周辺尤度(=モデルエビデン
ス)はパラメータを事前分布からランダムにサ
ンプリングされた時に、手元にあるデータ集合
Dが生成される確率
●
モデルエビデンスはパラメータの事後確率を計
算するときの分母に現れる正規化定数そのもの
つまり p D∣w , M i p w∣M i
p w∣D , M i = −3.69
p D∣M i