Bayesian Machine Learning – สำรวจการเปลี่ยนแปลงกระบวนทัศน์ในการสร้างแบบจำลองข้อมูลทางสถิติ

ในทางกลับกัน ค่าที่เกิดขึ้นที่ส่วนท้ายนั้นค่อนข้างหายาก การใช้คำสั่งก่อนหน้านี้อย่างมีประสิทธิภาพระบุถึงความเชื่อที่ว่า ตุ้มน้ำหนักของ แบบ จำลองส่วนใหญ่ต้องอยู่ภายในช่วงแคบที่กำหนดไว้ ซึ่ง ใกล้เคียงกับค่ากลางมากโดยมีค่าผิดปกติพิเศษเพียงเล็กน้อยเท่านั้น นี่เป็นความเชื่อที่สมเหตุสมผลที่จะไล่ตาม โดยคำนึงถึงปรากฏการณ์ในโลกแห่งความเป็นจริงและสถานการณ์ที่ไม่เหมาะในการพิจารณา

อย่างไรก็ตาม ผลกระทบของแบบจำลองเบย์นั้นน่าสนใจยิ่งขึ้นไปอีกเมื่อคุณสังเกตว่าการใช้การแจกแจงก่อนหน้าเหล่านี้ (และ กระบวนการ MAP ) สร้างผลลัพธ์ที่ใกล้เคียงกันอย่างมาก หากไม่เท่ากับการแก้ไขโดยการดำเนินการ MLE ในความหมายดั้งเดิม ช่วยในการปรับให้สม่ำเสมอ

เป็นเรื่องน่าขบขันมากที่สังเกตว่าเพียงแค่จำกัดน้ำหนักของโมเดลที่ "ยอมรับ" กับน้ำหนักก่อนหน้า เราก็สร้างตัวปรับน้ำหนักได้

โดยรวมแล้ว Bayesian Machine Learning มีการพัฒนาอย่างรวดเร็วในฐานะสาขาย่อยของการเรียนรู้ด้วยเครื่อง และการพัฒนาเพิ่มเติมและการรุกเข้าสู่ Canon ที่เป็นที่ยอมรับดูเหมือนจะเป็นผลที่เป็นธรรมชาติและน่าจะเป็นไปได้ของความก้าวหน้าในฮาร์ดแวร์คอมพิวเตอร์และสถิติในปัจจุบัน

อ่าน: Bayesian Networks

วิธีการต่างๆ ของการเรียนรู้ด้วยเครื่อง Bayesian

Bayesian Machine Learning มีสามวิธีที่เป็นที่ยอมรับกันมาก ได้แก่ MAP , MCMC และกระบวนการ "Gaussian"

Bayesian Machine Learning พร้อม MAP: สูงสุด A Posteriori

MAP สนุกกับความแตกต่างของการเป็นก้าวแรกสู่การเรียนรู้เครื่อง Bayesian อย่างแท้จริง อย่างไรก็ตาม ความสามารถในการคำนวณบางอย่างเป็นเพียงการประมาณการแบบจุดเท่านั้น ซึ่งมักเรียกกันว่านักสถิติที่มีประสบการณ์

ปัญหาของการประมาณแบบจุดคือพวกเขาไม่ได้เปิดเผยอะไรมากเกี่ยวกับพารามิเตอร์อื่นนอกเหนือจากการตั้งค่าที่เหมาะสมที่สุด นักวิเคราะห์และนักสถิติมักจะแสวงหาข้อมูลเพิ่มเติมที่มีคุณค่าหลัก เช่น ความน่าจะ เป็นที่ค่าพารามิเตอร์บางตัวจะตกอยู่ในช่วงที่กำหนดไว้ล่วงหน้านี้ เพราะนั่นคือจุดที่พลังการทำนายที่แท้จริงของ Bayesian Machine Learning อยู่

Bayesian Machine Learning กับ MCMC: Markov Chain Monte Carlo

Markov Chain Monte Carlo หรือที่รู้จักกันทั่วไปในชื่อ MCMC เป็นอัลกอริธึม "ร่ม" ที่ได้รับความนิยมและโด่งดัง โดยนำไปใช้ผ่านชุดวิธีการย่อยที่มีชื่อเสียง เช่น Gibbs และ Slice Sampling

และในขณะที่คณิตศาสตร์ของ MCMC โดยทั่วไปถือว่ายาก แต่ก็ยังมีความน่าสนใจและน่าประทับใจไม่แพ้กัน จุดสุดยอดของวิธีการย่อยเหล่านี้คือการสร้างห่วงโซ่ Markov ที่เป็นที่รู้จัก ตกตะกอนเพิ่มเติมในการกระจายที่เทียบเท่ากับส่วนหลัง

อัลกอริธึมที่ต่อเนื่องกันจำนวนมากได้เลือกที่จะปรับปรุงวิธีการ MCMC โดยการรวมข้อมูลการไล่ระดับสีในความพยายามที่จะให้นักวิเคราะห์สำรวจพื้นที่พารามิเตอร์ด้วยประสิทธิภาพที่เพิ่มขึ้น

มีวิธีที่ง่ายกว่าในการบรรลุความแม่นยำนี้อย่างไรก็ตาม ตัวอย่างเช่น มีการเทียบเท่าการถดถอยเชิงเส้นและการถดถอยโลจิสติกแบบเบย์ ซึ่งนักวิเคราะห์ใช้การ ประมาณลาปลา ซ การประมาณเชิงวิเคราะห์ (ที่สามารถอธิบายได้บนกระดาษ) ต่อการแจกแจงภายหลังคือสิ่งที่ทำให้กระบวนการนี้แตกต่างออกไป

ต้องอ่าน: Naive Bayes อธิบาย

Bayesian Machine Learning ด้วยกระบวนการเกาส์เซียน

กระบวนการ เกาส์เซียน เป็นกระบวนการสุ่ม โดยมีการกำหนดเงื่อนไขเกาส์เซียนที่เข้มงวดกับองค์ประกอบทั้งหมด ตัวแปรสุ่ม พวกมันทำงานโดยกำหนดการกระจายความน่าจะเป็นบนช่องว่างของเส้นที่เป็นไปได้ทั้งหมด แล้วเลือกเส้นที่มีแนวโน้มว่าจะเป็นตัวทำนายจริงมากที่สุด โดยนำข้อมูลมาพิจารณาด้วย

กระบวนการเหล่านี้ทำให้นักวิเคราะห์สามารถถดถอยในพื้นที่ฟังก์ชันได้ เนื่องจากการ แจกแจงภายหลังทั้งหมด ถูกคำนวณในเชิงวิเคราะห์ในวิธีนี้ ไม่ต้องสงสัยเลยว่าการประมาณค่าแบบเบย์นั้นเป็นจริงที่สุดอย่างไม่ต้องสงสัย และด้วยเหตุนี้ทั้งทางสถิติและเชิงตรรกะจึงเป็นสิ่งที่น่าชื่นชมมากที่สุด

หากคุณต้องการทราบข้อมูลเพิ่มเติมเกี่ยวกับอาชีพในแมชชีนเลิร์นนิงและปัญญาประดิษฐ์ โปรดดูที่ IIT Madras และการรับรองขั้นสูงของ upGrad ในการเรียนรู้ของเครื่องและคลาวด์