机器学习中的“优先”一词是什么意思

我是机器学习的新手。我已经阅读了几篇论文，他们将深度学习用于各种应用程序，并且在大多数模型设计案例中使用了“在先”一词，比如说在人体姿态估计中是先验的。有人可以解释一下这实际上意味着什么。我只能在教程中找到先验和后验的数学公式。

简单地说，没有任何数学符号，先验是指根据概率分布对事件的初始信念。然后，您可以建立一个实验并获取一些数据，然后根据实验的结果（后验概率分布）“更新”您的信念（并因此更新概率分布）。

示例： 假设我们得到了两个硬币。但是我们不知道哪种硬币是假的。硬币1是无偏的（HEAD和TAILS的概率为50％），而硬币2是有偏的，也就是说，我们知道它给HEADS的概率为60％。数学上：

给定我们有HEADS，则其为硬币1的概率为0.4而其为硬币2的概率为0.6

$$p(H | Coin_1) = 0.4$$ $$p(H| Coin_2) = 0.6$$

因此，这就是我们进行实验之前所知道的一切。

现在我们将挑选一个硬币扔掉，并根据所拥有的信息（H或T）来猜测我们选择了哪种硬币（硬币1或硬币2）。

最初，我们假设这两个硬币都有相等的机会，因为我们尚无信息。这是我们的先决条件。这是均匀分布。$p(Coin_1) = p(Coin_2) = 0.5$

现在，我们随机拿一个硬币，扔给它，然后放一个HEADS。此时此刻一切都发生了。我们使用贝叶斯公式计算后验概率/分布：

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

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

因此，最初每个硬币的概率为，但是现在实验之后我们的信念发生了变化，现在我们认为该硬币是硬币1，概率为0.4，它是硬币2，概率为0.6。这是我们的后验分布，伯努利分布。$0.5$

这是机器学习中使用的贝叶斯推理和统计的基本原理。