machine-learning - 贝叶斯方法: which part is hard to evaluate in Bayesian inference

Question

我有一个关于贝叶斯后验推理的问题。

在贝叶斯推理中，假设给定一个模型 p(x|\theta) 和一个先验分布 p(\theta)，我们观察到数据集 D ={x_1,x_2,...,x_N}，即目标是估计通常难以处理的后验 p(\theta|D)。

有时我发现有些人选择评估关节 p(\theta,D)，因为这个关节分布与后验 p(\theta|D) = p(\theta,D)/p(D) 成正比，什么这背后的原因是什么？ p(D) 是不是很难评估？谢谢您的建议。

Answer 1

您希望通过找到最佳参数 θ 来最大化 p(θ|D)。

这可以重写为 argmax P( θ | D) P(D)

但是，P(D) 与 θ 无关。因此您可以忽略它或使用可读的数学符号