参数与潜在变量
我以前曾问过这个问题，并且一直在努力确定什么使模型参数以及什么使它成为潜在变量。因此，在本站点上有关该主题的各种主题中，主要区别似乎是： 不会观察到潜在变量，但它们具有相关的概率分布，因为它们是变量，也未观察到参数，也没有与它们相关的分布，据我所知，这些变量是常数，并且具有固定但未知的值，我们正在尝试找。同样，我们可以对参数进行先验表示，以表示我们对这些参数的不确定性，即使只有一个真实值与它们相关联，或者至少是我们所假设的。我希望到目前为止我是对的吗？ 现在，我一直在从期刊论文中查看贝叶斯加权线性回归的示例，并且确实在努力理解什么是参数和什么是变量： yi=βTxi+ϵyiyi=βTxi+ϵyi y_i = \beta^T x_i + \epsilon_{y_i} 这里观察到和，但是只有被视为变量，即具有与之关联的分布。ÿ ÿxxxyyyyyy 现在，建模假设为： y∼N(βTxi,σ2/wi)y∼N(βTxi,σ2/wi) y \sim N(\beta^Tx_i, \sigma^2/w_i) 因此，的方差被加权。yyy 和上也有一个先验分布，分别是正态分布和gamma分布。 w ^ββ\betawww 因此，完整的对数可能性由下式给出： logp(y,w,β|x)=ΣlogP(yi|w,β,xi)+logP(β)+ΣlogP(wi)logp(y,w,β|x)=ΣlogP(yi|w,β,xi)+logP(β)+ΣlogP(wi) \log p(y, w, \beta |x) = \Sigma \log P(y_i|w, \beta, x_i) + \log P(\beta) + \Sigma \log P(w_i) 现在，据我了解，和都是模型参数。但是，在本文中，他们一直将它们称为潜在变量。我的推论是和都是变量的概率分布的一部分，它们都是模型参数。但是，作者将它们视为潜在的随机变量。那是对的吗？如果是这样，模型参数是什么？w ^ β w ^ ÿββ\betawwwββ\betawwwyyy 可以在这里找到该论文（http://www.jting.net/pubs/2007/ting-ICRA2007.pdf）。 本文是Ting等人的《自动离群值检测：贝叶斯方法》。