bayesian-linear-model:贝叶斯线性模型-源码

上传者: 42099151 | 上传时间: 2021-09-05 21:23:41 | 文件大小: 162KB | 文件类型: ZIP
贝叶斯线性模型 作者:Asher Bender 日期:2015年6月 许可证: 概述 该代码实现了 。 在贝叶斯框架下处理线性模型可以: 参数估计(线性模型的学习系数) 执行预测 选型 下图演示了这些功能,其中的任务是学习噪声函数的多项式逼近: 顶部子图显示了对数据增加复杂度(度)的多项式拟合后的对数边际似然。 对数边际可能性最高的模型由垂直红线标记。 与最大似然方法相比,贝叶斯模型选择的好处是最大化对数边际似然(模型证据)倾向于避免模型选择期间的过度拟合。 这是由于边际似然方程中的模型复杂性损失导致了模型更简单。 最佳模型将在数据拟合和模型复杂性之间取得平衡,从而实现更好的概括性。 底部子图显示了嘈杂的正弦数据(黑点)和来自模型的预测(红色实线),包括95%置信区间(红色虚线)。 背景强度图说明了模型中数据的后验可能性。 底部绘图中使用的模型是顶部绘图中建议的模型。 部分中

文件下载

资源详情

[{"title":"( 12 个子文件 162KB ) bayesian-linear-model:贝叶斯线性模型-源码","children":[{"title":"bayesian-linear-model-master","children":[{"title":"setup.py <span style='color:#111;'> 432B </span>","children":null,"spread":false},{"title":".gitignore <span style='color:#111;'> 165B </span>","children":null,"spread":false},{"title":"LICENSE <span style='color:#111;'> 11.09KB </span>","children":null,"spread":false},{"title":"doc","children":[{"title":"Makefile <span style='color:#111;'> 6.66KB </span>","children":null,"spread":false},{"title":"source","children":[{"title":"index.rst <span style='color:#111;'> 4.73KB </span>","children":null,"spread":false},{"title":"conf.py <span style='color:#111;'> 9.46KB </span>","children":null,"spread":false}],"spread":true}],"spread":true},{"title":"README.rst <span style='color:#111;'> 6.29KB </span>","children":null,"spread":false},{"title":"example","children":[{"title":"example.py <span style='color:#111;'> 1.79KB </span>","children":null,"spread":false},{"title":"utils.py <span style='color:#111;'> 8.50KB </span>","children":null,"spread":false},{"title":"example.png <span style='color:#111;'> 134.26KB </span>","children":null,"spread":false},{"title":"Bayesian Linear Regression.ipynb <span style='color:#111;'> 27.12KB </span>","children":null,"spread":false}],"spread":true},{"title":"linear_model.py <span style='color:#111;'> 34.20KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明