エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
『BIC (ベイズ情報量基準) その2 ラプラス近似』
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
『BIC (ベイズ情報量基準) その2 ラプラス近似』
ぽんのブログ自分用の備忘録ブログです。書いてある内容、とくにソースは、後で自分で要点が分かるよう... ぽんのブログ自分用の備忘録ブログです。書いてある内容、とくにソースは、後で自分で要点が分かるよう、かなり簡略化してます(というか、いい加減)。あまり信用しないように(汗 前回の最後で、以下の積分値を最大にするモデルが事後確率を最大にする、というところまで説明しました。 前回は P を「確率」と説明していましたが、データ x が所与で θ が未知なら尤度になります。 つまり上は、尤度関数を積分したものになっている訳ですね。 尤度関数の積分については、ラプラス近似と呼ばれるテクニックで近似値を求めることが出来ます。 ここで尤度関数について見てみましょう。 今、分散が1で既知の正規乱数から3個のデータ -1、 0、 +1 が得られたとします。 平均についての尤度関数 でμの値を変えながら尤度を計算してみましょう。 ちなみにこれまで平均を m で書いてましたが、ギリシア文字を使うなら文書中では「み