贝叶斯神经网络
回到术语表什么是贝叶斯神经网络?
贝叶斯神经网络(BNNs)是指通过后验推理扩展标准网络以控制过拟合。从更广泛的角度来看，贝叶斯方法使用统计方法，使所有事物都有一个概率分布，包括模型参数(神经网络中的权重和偏差)。在编程语言中，可以取特定值的变量将在每次访问该特定变量时产生相同的结果。让我们从一个简单线性模型的修正开始，该模型将通过一系列输入特征的加权和来预测输出。
相比之下，在贝叶斯世界中，你可以有类似的实体，也称为随机变量，每次你访问它都会给你不同的值。在贝叶斯术语中，历史数据代表了我们对整体行为的先验知识，每个变量都有自己的统计属性，这些属性随时间而变化。假设X是一个代表正态分布的随机变量，每次访问X，返回的结果都会有不同的值。这个从随机变量中获取一个新值的过程叫做抽样。结果值取决于随机变量的相关概率分布。这意味着，在参数空间中，人们可以推断神经网络学习参数的性质和形状。最近，随着诸如PyMC3、Edward、Stan等众多概率编程库的出现，这一领域出现了很多活动。贝叶斯方法被应用于许多领域:从游戏开发到药物研发。bnn的主要优点是什么?
- 贝叶斯神经网络用于解决数据稀缺领域的问题，作为防止过拟合的一种方法。应用实例包括分子生物学和医学诊断(这些领域的数据通常来自昂贵而困难的实验工作)。
- 贝叶斯网是普遍有用的
- 它们可以为大量的任务获得更好的结果，但是它们很难扩展到大问题。
- bnn允许您在处理未知目标的数据时自动计算与您的预测相关的误差。
- 允许您估计预测中的不确定性，这对于医学等领域来说是一个很好的功能
为什么要使用贝叶斯神经网络?
贝叶斯方法允许您考虑答案的整个分布，而不是考虑一个问题的单个答案。使用这种方法，您可以自然地解决以下问题:- 正则化(过拟合与否)，
- 模型选择/比较，不需要单独的交叉验证数据集
额外的资源
回到术语表
