金句级表达 · PITHY EXPRESSION

未被计算的不确定性等于不存在的不确定性

贝叶斯框架许诺了完美的不确定性量化,但这个承诺的兑现**严格依赖于计算能力**。如果我们因为计算成本而使用粗糙的近似(如忽略后验的相关性),那么报告的不确定性区间可能严重偏离真实值。在工程实践中,“已知的不确定性”(通过计算得到的)和“存在的不确定性”(真实存在的)之间存在巨大鸿沟,忽略这个鸿沟是危险的。
来源

关于近似推断计算挑战的讨论

可迁移到

所有使用贝叶斯方法的业务决策。必须始终追问:我们报告的不确定性指标(如置信区间)是在什么计算假设下得到的?这个假设在我们的问题规模下成立吗?

来自这本书的解读报告

《贝叶斯推理与机器学习》

David J.C. MacKay · 机器学习 / 概率统计 / 信息论

这本书回答了如何在不确定性下从数据中学习的问题,其答案是用概率的语言建模并更新信念,并通过计算近似来实现。

机器学习·概率建模·贝叶斯推断·信息论
阅读完整解读报告 →
PRESS YOUR OWN BOOK

找一本想读的书,解读出你自己的洞察

90 秒得到核心模型 · 行动接口 · 失效边界 · 三套 SOP

解读一本书 →