【文件属性】：
文件名称：bayesian-linear-model:贝叶斯线性模型
文件大小：162KB
文件格式：ZIP
更新时间：2021-05-23 00:59:26
Python
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
【文件预览】：
bayesian-linear-model-master
----setup.py(432B)
----.gitignore(165B)
----LICENSE(11KB)
----doc()
--------Makefile(7KB)
--------source()
----README.rst(6KB)
----example()
--------example.py(2KB)
--------utils.py(8KB)
--------example.png(134KB)
--------Bayesian Linear Regression.ipynb(27KB)
----linear_model.py(34KB)