先验概率

至今还难以评价哪一种判别方法最好，此处仅对Bayes判别法与Fisher判别法作比较。 （1）当k个总体的均值向量 共线性程度较高时，Fisher判别法可用较少的判别函数进行判别，因而比Bayes判别法简单。另外，Fisher判别法未对总体的分布提出什么特定的要求

2017年10月25日下午，数理统计学部教学研讨活动在实验楼312如期开展，本次活动由学部主任朱少平教授主持，数理统计学部全体教师参加。 研讨活动中，孙学英老师针对贝叶斯统计推断，诠释了概率学派与贝叶斯学派的区别，用通俗易懂的方式讲解了贝叶斯统计学知识，在给出贝叶斯公式的基础上，深入浅出地介绍了贝叶斯公式的主要应用领域以及贝叶斯统计推断等内容。结合孙老师的讲解，参会教师围绕先验概率的确定、后验概率的计算等难点问题展开了激烈的讨论，整场活动主题鲜明、内涵丰富，在促进教学改革，提升教学质量，培育学术气氛，增强学部的凝聚力方面发挥了重要的引导作用

之前整理过线性回归是从频率统计的角度来解释的，本文通过贝叶斯学派的观点重新解释一下线性回归模型。我们使用概率分布而非点估计来构建线性回归，因变量 $y$ 不是被估计的单个值，而是假设从一个分布中提取而来。贝叶斯线性回归模型如下： 输出 $y$ 是由均值和方差两个特征刻画的正态分布，这两个值都可以通过数据求得

之前整理过线性回归是从频率统计的角度来解释的，本文通过贝叶斯学派的观点重新解释一下线性回归模型。我们使用概率分布而非点估计来构建线性回归，因变量 $y$ 不是被估计的单个值，而是假设从一个分布中提取而来。贝叶斯线性回归模型如下： 输出 $y$ 是由均值和方差两个特征刻画的正态分布，这两个值都可以通过数据求得

先验概率（prior probability）是指根据以往经验和分析得到的概率，如全概率公式，它往往作为”由因求果”问题中的”因”出现的概率。 在贝叶斯统计推断中，不确定数量的先验概率分布是在考虑一些因素之前表达对这一数量的置信程度的概率分布。例如，先验概率分布可能代表在将来的选举中投票给特定政治家的选民相对比例的概率分布