貝葉斯神經網絡

什麼是貝葉斯神經網絡?

貝葉斯神經網絡(BNNs)是指通過後驗推理擴展標準網絡以控製過擬合。從更廣泛的角度來看，貝葉斯方法使用統計方法，使所有事物都有一個概率分布，包括模型參數(神經網絡中的權重和偏差)。在編程語言中，可以取特定值的變量將在每次訪問該特定變量時產生相同的結果。讓我們從一個簡單線性模型的修正開始，該模型將通過一係列輸入特征的加權和來預測輸出。相比之下，在貝葉斯世界中，你可以有類似的實體，也稱為隨機變量，每次你訪問它都會給你不同的值。在貝葉斯術語中，曆史數據代表了我們對整體行為的先驗知識，每個變量都有自己的統計屬性，這些屬性隨時間而變化。假設X是一個代表正態分布的隨機變量，每次訪問X，返回的結果都會有不同的值。這個從隨機變量中獲取一個新值的過程叫做抽樣。結果值取決於隨機變量的相關概率分布。這意味著，在參數空間中，人們可以推斷神經網絡學習參數的性質和形狀。最近，隨著諸如PyMC3、Edward、Stan等眾多概率編程庫的出現，這一領域出現了很多活動。貝葉斯方法被應用於許多領域:從遊戲開發到藥物研發。

bnn的主要優點是什麼?

• 貝葉斯神經網絡用於解決數據稀缺領域的問題，作為防止過擬合的一種方法。應用實例包括分子生物學和醫學診斷(這些領域的數據通常來自昂貴而困難的實驗工作)。
• 貝葉斯網是普遍有用的
• 它們可以為大量的任務獲得更好的結果，但是它們很難擴展到大問題。
• bnn允許您在處理未知目標的數據時自動計算與您的預測相關的誤差。
• 允許您估計預測中的不確定性，這對於醫學等領域來說是一個很好的功能

為什麼要使用貝葉斯神經網絡?

貝葉斯方法允許您考慮答案的整個分布，而不是考慮一個問題的單個答案。使用這種方法，您可以自然地解決以下問題:

• 正則化(過擬合與否)，
• 模型選擇/比較，不需要單獨的交叉驗證數據集