Yang dimaksud dengan istilah "prior" dalam pembelajaran mesin

Saya baru belajar mesin. Saya telah membaca beberapa makalah di mana mereka telah menggunakan pembelajaran yang mendalam untuk berbagai aplikasi dan telah menggunakan istilah "prior" di sebagian besar kasus desain model, katakan sebelumnya dalam estimasi pose tubuh manusia. Dapatkah seseorang menjelaskan apa artinya sebenarnya. Saya hanya bisa menemukan formulasi matematika sebelum dan posterior dalam tutorial.

— Amy
sumber

Ini konsep matematika jadi, ya, itu dirumuskan secara matematis. Namun, halaman Wikipedia tampaknya memberikan banyak intuisi. Apakah kamu memeriksanya? Jika demikian, dapatkah Anda mengatakan lebih banyak tentang apa yang tidak Anda mengerti dan apa yang Anda cari dalam jawaban?

— David Richerby

@ David Richerby . Terima kasih atas tanggapan Anda. Ya saya telah memeriksa halaman wikipedia itu dan saya bisa mendapatkan ide yang samar-samar tentang sesuatu tentang pengetahuan atau informasi tentang suatu variabel. Saya telah membaca makalah tentang estimasi pose tubuh di mana ada menyebutkan prior pose tubuh, kinematik tubuh sebelumnya, pemodelan prior daripada pose manusia 3D, prior belajar, sebelum memperkirakan pose manusia 3D. Saya tidak dapat dengan jelas mengetahui apa arti istilah "sebelum" sebenarnya dalam konteks ini.

— Amy

jonathanweisberg.org/pdf/VarietiesvF.pdf

— Andrew

Sederhananya, dan tanpa simbol matematika, prior berarti keyakinan awal tentang suatu peristiwa dalam hal distribusi probabilitas . Anda kemudian membuat percobaan dan mendapatkan beberapa data, dan kemudian "memperbarui" keyakinan Anda (dan karenanya distribusi probabilitas) sesuai dengan hasil percobaan, (distribusi probabilitas posteriori).

Contoh: Asumsikan kita diberi dua koin. Tapi kita tidak tahu koin mana yang palsu. Koin 1 tidak bias (KEPALA dan TAILS memiliki probabilitas 50%), dan Koin 2 bias, katakanlah, kita tahu memberi HEADS dengan probabilitas 60%. Secara matematis:

hal (H | C Hai saya n_{1}) = 0,4

$p(H | Coin_1) = 0.4$

hal (H | C Hai saya n_{2}) = 0,6

$p(H| Coin_2) = 0.6$

Jadi, hanya itu yang kita ketahui sebelum menyiapkan eksperimen.

Sekarang kita akan memilih koin untuk melemparkannya, dan berdasarkan informasi apa yang kita miliki (H atau T) kita akan menebak koin apa yang telah kita pilih (Koin 1 atau Koin 2).

$p(Coin_1) = p(Coin_2) = 0.5$

hal (C Hai saya n_{1} | H) = \frac{hal (H | C Hai saya n_{1}) hal (C Hai saya n_{1})}{hal (H | C Hai saya n_{1}) hal (C Hai saya n_{1}) + hal (H | C Hai saya n_{2}) hal (C Hai saya n_{2})} = \frac{0,4 \times 0,5}{0,4 \times 0,5 + 0,6 \times 0,5} = 0,4

$p(Coin_1 | H) = \frac{p(H | Coin_1)p(Coin_1)}{p(H | Coin_1)p(Coin_1) + p(H | Coin_2)p(Coin_2)} = \frac{0.4\times0.5}{0.4\times0.5 + 0.6\times0.5} = 0.4$

hal (C Hai saya n_{2} | H) = \frac{hal (H | C Hai saya n_{2}) hal (C Hai saya n_{2})}{hal (H | C Hai saya n_{1}) hal (C Hai saya n_{1}) + hal (H | C Hai saya n_{2}) hal (C Hai saya n_{2})} = \frac{0,6 \times 0,5}{0,4 \times 0,5 + 0,6 \times 0,5} = 0,6

$p(Coin_2 | H) = \frac{p(H | Coin_2)p(Coin_2)}{p(H | Coin_1)p(Coin_1) + p(H | Coin_2)p(Coin_2)} = \frac{0.6\times0.5}{0.4\times0.5 + 0.6\times0.5} = 0.6$

$0.5$

Ini adalah prinsip dasar inferensi Bayesian dan statistik yang digunakan dalam pembelajaran Mesin.

— fade2black
sumber

Anda perlu memperbaiki contoh di atas. Perhitungan itu menunjukkan bahwa kedua koin bias (Yang pertama dengan probabilitas Kepala 40% dan yang kedua dengan kemungkinan kepala 60%) Jika yang pertama bias, itu masih merupakan distribusi Bernoulli tetapi dengan probabilitas P (Coin1 | H) = 5/11 dan P (Coin2 | H) = 6/11

— 6/11 daniels_pa

Haruskah "Mengingat kita memiliki KEPALA, probabilitas bahwa itu adalah Koin 1 adalah 0,4" ditulis ulang sebagai "Mengingat bahwa kita memiliki Koin 1, probabilitas bahwa itu adalah KEPALA adalah 0,4" ?

— Mateen Ulhaq

Penjelasan tidak menjelaskan dalam hal pembelajaran mesin.

— user3023715