मशीन लर्निंग में "पूर्व" शब्द का क्या अर्थ है

मैं मशीन लर्निंग के लिए नया हूं। मैंने कई पत्र पढ़े हैं जहां उन्होंने विभिन्न अनुप्रयोगों के लिए गहन शिक्षण को नियोजित किया है और अधिकांश मॉडल डिजाइन मामलों में "पूर्व" शब्द का उपयोग किया है, मानव शरीर के पूर्व अनुमान में कहें। क्या कोई समझा सकता है कि वास्तव में इसका क्या मतलब है। मैं केवल ट्यूटोरियल में पूर्व और पीछे के गणितीय सूत्रीकरण को पा सकता था।

— एमी
स्रोत

यह एक गणितीय अवधारणा है, हां, यह गणितीय रूप से तैयार है। हालाँकि, विकिपीडिया पृष्ठ बहुत अंतर्ज्ञान देता है। क्या आपने इसकी जाँच की? यदि हां, तो क्या आप इस बारे में अधिक कह सकते हैं कि आपको क्या समझ में नहीं आया और आप उत्तर में क्या देख रहे हैं?

— डेविड रिचीर्बी

@ दाऊद Richerby । आपकी प्रतिक्रिया के लिए धन्यवाद। हां, मैंने उस विकिपीडिया पृष्ठ की जांच की थी और मैं एक अस्पष्ट विचार इकट्ठा कर सकता था कि इसके बारे में ज्ञान या किसी चर के बारे में जानकारी। मैं बॉडी पोज़ के अनुमानों के बारे में पेपर पढ़ रहा था, जहाँ बॉडी पोज़ पादरियों का उल्लेख था, बॉडी काइनेमैटिक पूर्व, थ्री डी ह्यूमन पोज़ के ऊपर पादरियों का मॉडलिंग, पंडितों का सीखना, 3 डी ह्यूमन पोज़ का अनुमान लगाने से पहले। मैं इस संदर्भ में वास्तव में "पूर्व" शब्द का स्पष्ट रूप से पता नहीं लगा सका।

— एमी

jonathanweisberg.org/pdf/VaritiesvF.pdf

— एंड्रयू 14

बस रखो, और किसी भी गणितीय प्रतीकों के बिना, पूर्व साधन संभावना वितरण के मामले में एक घटना के बारे में प्रारंभिक विश्वासों । आप फिर एक प्रयोग सेट करते हैं और कुछ डेटा प्राप्त करते हैं, और फिर प्रयोग के परिणाम के अनुसार अपने विश्वास (और इसलिए संभावना वितरण) को "अपडेट" करते हैं, (पोस्टीरियर प्रायिकता वितरण)।

उदाहरण: मान लें कि हमें दो सिक्के दिए गए हैं। लेकिन हम नहीं जानते कि कौन सा सिक्का नकली है। सिक्का 1 निष्पक्ष है (हेड्स और कलर्स में 50% संभावना है), और सिक्का 2 पक्षपाती है, कहते हैं, हम जानते हैं कि यह 60% संभावना के साथ हेड्स देता है। गणितीय:

पी (एच | सी ओ मैं n_{1}) = 0.4

$p(H | Coin_1) = 0.4$

पी (एच | सी ओ मैं n_{2}) = 0.6

$p(H| Coin_2) = 0.6$

इसलिए, यह वह सब है जिसे हम प्रयोग करने से पहले जानते हैं।

अब हम एक सिक्का उछालने जा रहे हैं, और जो जानकारी हमारे पास है (H या T) उसके आधार पर हम अनुमान लगाने जा रहे हैं कि हमने कौन सा सिक्का चुना है (सिक्का 1 या सिक्का 2)।

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

पी (सी ओ मैं n_{1} | एच) = \frac{पी (एच | सी ओ मैं n_{1}) पी (सी ओ मैं n_{1})}{पी (एच | सी ओ मैं n_{1}) पी (सी ओ मैं n_{1}) + पी (एच | सी ओ मैं n_{2}) पी (सी ओ मैं n_{2})} = \frac{0.4 \times 0.5}{0.4 \times 0.5 + 0.6 \times 0.5} = 0.4

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

पी (सी ओ मैं n_{2} | एच) = \frac{पी (एच | सी ओ मैं n_{2}) पी (सी ओ मैं n_{2})}{पी (एच | सी ओ मैं n_{1}) पी (सी ओ मैं n_{1}) + पी (एच | सी ओ मैं n_{2}) पी (सी ओ मैं n_{2})} = \frac{0.6 \times 0.5}{0.4 \times 0.5 + 0.6 \times 0.5} = 0.6

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

$0.5$

यह मशीन सीखने में इस्तेमाल किए जाने वाले बायेसियन इंजेक्शन और सांख्यिकी का मूल सिद्धांत है।

— fade2black
स्रोत

आपको ऊपर दिए गए उदाहरण को ठीक करने की आवश्यकता है। उस गणना से पता चलता है कि दोनों सिक्के पक्षपाती हैं (पहले एक प्रमुख 40% की संभावना वाला है और दूसरा 60% प्रमुखों की संभावना वाला है) यदि पहला पक्षपाती है तो यह अभी भी एक बर्नौली वितरण है लेकिन संभावनाओं के साथ P (Coin1। H. H) = ५ / ११ और पी (सिक्का २ | एच) = ६ / ११

— डेनियल_पा

" क्या हमारे पास HEADS है, इसकी संभावना यह है कि यह सिक्का 1 है, 0.4 है" को "यह देखते हुए कि हमारे पास Coin 1 है, यह संभावना है कि यह HEADS 0.4 है" ?

— मतीन उल्हाक

मशीन सीखने के संदर्भ में व्याख्या नहीं है।

— user3023715