贝叶斯神经网络
回到术语表贝叶斯神经网络是什么?
贝叶斯神经网络(bnn)指扩展后的标准网络推理为了控制过度学习。从更广泛的角度来看,贝叶斯方法使用统计方法,这样一切都附加一个概率分布,包括模型参数(神经网络权重和偏见)。在编程语言中,变量可以取特定值将相同的结果每次访问特定变量。让我们从一个简单的线性模型的修正,将预测输出的加权和一系列的输入特性。
相比之下,在贝叶斯的世界里,你可以有类似的实体也称为随机变量,这将给你一个不同的值每次访问它。贝叶斯而言,历史数据代表我们的先验知识的整体行为每个变量都有它自己的随时间变化的统计特性。假设X是代表了正态分布的随机变量,每次X访问,返回的结果会有不同的价值观这一过程的一个新值从一个随机变量称为抽样。什么价值出来取决于随机变量的概率分布有关。这意味着,在参数空间中,我们可以推断出神经网络的学习的性质和形状参数。最近有很多活动在这一领域,随着大量的出现概率PyMC3等编程库,爱德华,斯坦等。贝叶斯方法被用于很多领域:从游戏开发药物发现。bnn的主要优势是什么?
- 贝叶斯神经网络是有用的解决问题的领域数据不足,以防止过度拟合。示例应用程序是分子生物学和医学诊断领域数据常常来自昂贵和困难的实验工作)。
- 贝叶斯网普遍是有用的
- 他们可以获得更好的结果为大量的任务但是他们很难规模大的问题。
- bnn允许您自动计算一个错误与你的预测未知目标的处理数据。
- 让你估计不确定性的预测,这是一个伟大的功能医学等领域
你为什么要使用贝叶斯神经网络?
而不是考虑单个回答一个问题,贝叶斯方法允许你考虑整个分布的答案。使用这种方法,您可以自然地解决问题,例如:- 正规化(过度拟合),
- 模型选择/比较,而不需要一个单独的交叉验证数据集
额外的资源
回到术语表
