Answers:
贝叶斯通常会选择先验条件,使他们在数学上具有挑战性的生活更容易承担。这意味着高斯先验,除非模型绝对禁止。请记住,在这种情况下,您需要先考虑一个二元变量,因为您必须对坡度和位置及其边际行为之间的相关性进行建模。多变量法线是您的门票。
参数上的高斯先验与回归模型已经具有的(毫无疑问)高斯测量误差很好地吻合。
顺便说一句,我不将坡度与比例参数相关联,因为坡度可以是负数,而比例参数不能。
现在,高斯分布不是先验信息,但如果您确实没有先验信息,那么也许应该去做常客。或使用方差很大的高斯。
我不了解贝叶斯推理的现代参考。冒着使用火箭筒射击兔子的风险,您可以查找Rasmussen和Williams(可在线获取)。第2章的第一部分详细介绍了贝叶斯回归。
通常,在斜率和偏移量上使用统一的先验,但是我喜欢将平坦先验放在和上的想法,其中是线和y = 0。这给出了的先验值, 它倾向于在零附近倾斜。派生自http://jakevdp.github.io/blog/2014/06/14/frequentism-and-bayesianism-4-bayesian-in-python/#The-Prior和Frequentism和Bayesianism:Python驱动杰克·范德布拉斯(Jake Vanderblas)入门