试验次数和后验分布的关系

求未知参数 $\theta$，数据集是 $D$

将 $\theta$ 在 $D$ 下的期望写成

• $\mathrm{E}{\theta}[\boldsymbol{\theta} \mid D]=\mathrm{E}{p(\theta \mid D)}[\boldsymbol{\theta} \mid D]=\int \boldsymbol{\theta} p(\boldsymbol{\theta} \mid \boldsymbol{D}) \mathrm{d} \boldsymbol{\theta}$

如果取遍全部的数据集，期望可以写成

• $\begin{aligned} \mathrm{E}\theta[\boldsymbol{\theta}] =\mathrm{E}D\left[\mathrm{E}{\boldsymbol{\theta}}[\boldsymbol{\theta} \mid D]\right] & =\int\left{\int \boldsymbol{\theta} p(\boldsymbol{\theta} \mid \boldsymbol{D}) \mathrm{d} \boldsymbol{\theta}\right} p(\boldsymbol{D}) \mathrm{d} D \ & =\int \boldsymbol{\theta}\left{\int p(\boldsymbol{\theta}, D) \mathrm{d} D\right} \mathrm{d} \boldsymbol{\theta} \ & =\int \boldsymbol{\theta} p(\boldsymbol{\theta}) \mathrm{d} \boldsymbol{\theta} \ & =\mathrm{E}{p(\boldsymbol{\theta})}[\boldsymbol{\theta}]\end{aligned}$

${\theta}$ 的先验均值 $\mathrm{E}_\theta[\boldsymbol{\theta}]$ = 后验均值在全部数据集下的期望 $\mathrm{E}D\left[\mathrm{E}{\boldsymbol{\theta}}[\boldsymbol{\theta} \mid D]\right]$ 。

• 先验期望和数据集无关

[[PRML/2.24]] 参数 ${\theta}$ 先验分布的方差等于参数 ${\theta}$ 后验分布方差的均值加上后验分布均值的方差

• $\operatorname{var}\theta[\boldsymbol{\theta}]=\mathbb{E}{\mathcal{D}}\left[\operatorname{var}\theta[\boldsymbol{\theta} \mid \mathcal{D}]\right]+\operatorname{var}{\mathcal{D}}\left[\mathbb{E}_{\boldsymbol{\theta}}[\boldsymbol{\theta} \mid \mathcal{D}]\right]$

• 在考虑了全部的数据集后，后验方差的均值总是小于等于先验方差。
  ls-type:: annotation
  hl-page:: 65
  hl-color:: yellow

  • 根据 2.24 可以推导出 $\operatorname{var}_\theta[\boldsymbol{\theta}] \geq \mathrm{E}D\left[\operatorname{var}\theta[\boldsymbol{\theta} \mid \boldsymbol{D}]\right]$，后验分布均值的方差总是大于等于 0

  • 给定某个数据集时，参数 theta 的方差会小于等于给定数据集之前的方差。

    • 只有这样才能满后验方差的均值小于等于先验方差

      • 可学习，用数据训练出来的参数比先验参数更加有意

    • 特定数据集下（数据集构造不合理，数据集没有正确反应数据集的整体特性）， theta 的后验方差反而比先验方差更大 $\operatorname{var}\theta[\theta]<\operatorname{var}\theta\left[\theta \mid D^{\prime}\right]$

试验越多，模型参数（后验）越准，方差越小。为什么不用先验而是用后验的原因。