大阪PRML読書会発表資料

1. 3.2 バイアス-バリアンス分解
大阪PRML読書会
2014.09.28
@florets1
1

2. 過学習を避けるとモデルの表現能力が限られてしまう
2

3. 損失関数をバイアスとバリアンスに分けて考える
3

4. 4

5. 5

6. 3.3 ベイズ線形回帰
大阪PRML読書会
2014.09.28
@florets1
6

7. 7
ちょっと復習
この尤度関数を見ると，μについての二次形式の指数の形を
取っている。よって，事前分布にガウス分布を選べば，この尤
度関数の共役事前分布となる。なぜなら…

8. 尤度関数p(t|w)はwの2次関数の指数であることに着目
8

9. 9
共役事前分布はガウス分布
事後分布もガウス分布

10. 10
事後分布の対数を取ると
この事後分布をwに関して最大化することは
正則化最小二乗法の結果と等価になる。