क्या मशीन सीखने वाला समुदाय “पर वातानुकूलित” और “पैराट्राइज्ड” द्वारा गाली दे रहा है?

कहते हैं, पर निर्भर है । जोर से बोलना, $X$ $\alpha$

अगर और दोनों यादृच्छिक चर हैं, तो हम लिख सकते हैं ; $X$ $\alpha$ $p(X\mid\alpha)$
हालाँकि, यदि एक रैंडम वैरिएबल है और एक पैरामीटर है, तो हमें लिखना होगा । $X$ $\alpha$ $p(X; \alpha)$

मैं कई बार नोटिस करता हूं कि मशीन सीखने वाला समुदाय मतभेदों की अनदेखी करता है और शर्तों का दुरुपयोग करता है।

उदाहरण के लिए, प्रसिद्ध एलडीए मॉडल में, जहां यादृच्छिक चर के बजाय डिरिचलेट पैरामीटर है। $\alpha$

यहाँ छवि विवरण दर्ज करें

यह नहीं होना चाहिए ? ? मुझे बहुत सारे लोग दिखाई देते हैं, जिनमें एलडीए पेपर के मूल लेखक भी शामिल हैं, इसे रूप में लिखते हैं । $p(\theta;\alpha)$ $p(\theta\mid\alpha)$

machine-learning terminology

— Sibbs जुआ
स्रोत

गणितीय रूप से बोलना, आप हमेशा एक स्थिर पर शर्त लगा सकते हैं, क्योंकि यह यादृच्छिक चर का सीमित मामला है। बायेसियन दृष्टिकोण से, सभी अज्ञात को यादृच्छिक चर के रूप में माना जाता है, इसलिए यह कंडीशनिंग नोटेशन का उपयोग करने के लिए समझ में आता है।

— शियान

@ शीआन मैं "कंडीशनिंग ऑन अ कॉन्स्टेंट" आपकी बात समझता हूं। लेकिन कल्पना कीजिए कि मैं को पैरामीटर एक स्पष्ट वितरण से खींचता हूं , अर्थात, । क्या मैं वितरण को रूप में लिख सकता हूं ? यह मेरे लिए अजीब लग रहा है, क्योंकि एक हमेशा एक निश्चित सेट कर सकता है । मेरे लिए अधिक आरामदायक लगता है।

X

$X$

θ

$\theta$

X \sim C a t (θ)

$X\sim Cat(\theta)$

p (X ∣ θ)

$p(X\mid\theta)$

θ

$\theta$

p (X; θ)

$p(X;\theta)$

— Sibbs जुआ

मुझे इस विशेष मामले में लिखने में समस्या नहीं । एक बार फिर, सशर्त संकेतन का उपयोग करते हुए हर अज्ञात पैरामीटर पर पूर्व वितरण को पेश करने का तरीका प्रशस्त करता है।

p (X ∣ θ)

$p(X\mid\theta)$

— शियान

मुझे लगता है कि यह मशीन लर्निंग बनाम आँकड़ों की तुलना में बायेसियन / गैर-बायेसियन आंकड़ों के बारे में अधिक है।

बायेसियन सांख्यिकी पैरामीटर को यादृच्छिक चर के रूप में भी तैयार किया जाता है। यदि आपके पास , लिए एक संयुक्त वितरण है सशर्त वितरण, कोई फर्क नहीं पड़ता कि और की भौतिक व्याख्या क्या है । यदि कोई केवल निश्चित s पर विचार करता है या अन्यथा पर एक प्रायिकता वितरण नहीं करता है , तो साथ अभिकलन ठीक उसी तरह हैं जैसे साथ । इसके अलावा, किसी भी बिंदु पर एक कैन के तय मूल्यों के साथ मॉडल का विस्तार करने का फैसला एक के लिए जहां पर एक पूर्व वितरण है $X,\alpha$ $p(X \mid \alpha)$ $X$ $\alpha$ $\alpha$ $\alpha$ $p(X; \alpha)$ $p(X \mid \alpha)$ $p(\alpha)$ $\alpha$ $\alpha$ । मेरे लिए कम से कम, यह अजीब लगता है कि वितरण-दिए गए- लिए अंकन को इस बिंदु पर बदलना चाहिए, जहां कुछ बायेसियन कंडीशनिंग नोटेशन का उपयोग करना पसंद करते हैं, भले ही किसी ने (अभी तक?) सभी मापदंडों को यादृच्छिक के रूप में परिभाषित करने के लिए परेशान न किया हो। चर। $\alpha$

इस बारे में तर्क है कि क्या को रूप में लिखा जा सकता है , एंड्रयू जेलमैन के ब्लॉग पोस्ट की टिप्पणियों के कारण -वेल्यू को गलत समझा । उदाहरण के लिए, लैरी Wasserman कि राय नहीं थी जब कोई कंडीशनिंग-से-संयुक्त है, जबकि एंड्रयू गेल्मैन विपरीत राय नहीं थी अनुमति नहीं है। $p(X ; \alpha)$ $p(X \mid \alpha)$ $p$ $\mid$

— जुहो कोक्कल
स्रोत