pinfo = 0.5+0.5*alpha;
第m個點劃分兩部分，前後概率和分別為
for i =1:m
a = a + v(i)*p(i);
endfor i = m+1:n
b = b + v(i)*p(i);
end推測的bid**pbid = 2*(pinfo*a + (1-pinfo)*b);
因此有誤差為 biderror = abs(v(count) - pbid);
推測的ask**為
for i = 1:m-1
a = a +v(i)*p(i);
endfor i = m:n
b = b + v(i)*p(i);
end
pask = 2*((1-pinfo)*a + pinfo*b);
所有的點都找到pbid pask
尋找pbid 最小誤差的位置index，根據位置找到v(index)
尋找pask 最小誤差的位置index，根據位置找到v(index)
最終估計的值為：
pbid = min(v(index) ， e);
pask = max(v(index), e);
貝葉斯估計
其實這是我之前最想第一篇來寫的隨筆了，今天就先把這一部分寫一寫吧。1.問題 乙個醫療診斷問題有兩個可選的假設 病人有癌症 病人無癌症可用資料來自化驗結果 陰性和陽性。有先驗知識 在所有人口中，患病率是0.008，對確實有病的患者的化驗準確率為98 對確實無病的患者的化驗準確率為97 問題 假定有乙個...
貝葉斯估計詳解
貝葉斯估計 貝葉斯估計 從引數的先驗知識和樣本出發。不同於ml估計，不再把引數 看成乙個未知的確定變數，而是看成未知的隨機變數，通過對第i類樣本di的觀察，使概率密度分布p di 轉化為後驗概率p di 再求貝葉斯估計。假設 將待估計的引數看作符合某種先驗概率分布的隨機變數。基本原理 我們期望 貝葉...
貝葉斯引數估計
學習這部分內容約需要1.9小時 在貝葉斯框架中,我們將統計模型的引數視為隨機變數.模型由變數值的先驗分布以及決定引數如何影響觀測資料的證據模型來指定.當我們對觀測資料進行條件化時,我們得到引數的後驗分布.術語 貝葉斯引數估計 會讓我們誤以為對引數進行了估計,實際上我們通常可以完全跳過引數估計步驟.我...