Чи зловживання машинним навчанням “обумовлено” та “параметризовано”?

Скажімо, залежить від . Суворо кажучи, $X$ $\alpha$

якщо і - обидва випадкові величини, ми могли б написати ; $X$ $\alpha$ $p(X\mid\alpha)$
однак, якщо є випадковою змінною і є параметром, ми повинні написати . $X$ $\alpha$ $p(X; \alpha)$

Я кілька разів помічаю, що спільнота машинного навчання, здається, ігнорує відмінності та зловживає умовами.

Наприклад, у відомій моделі LDA, де - параметр Діріхле замість випадкової змінної. $\alpha$

введіть тут опис зображення

Чи не повинно бути ? Я бачу, що багато людей, включаючи оригінальних авторів газети LDA, пишуть це як . $p(\theta;\alpha)$ $p(\theta\mid\alpha)$

machine-learning terminology

— Сіббс Азартні ігри
джерело

Математично кажучи, ви завжди можете умовити постійну, оскільки це обмежувальний випадок випадкової величини. З байєсівської точки зору, всі невідомі трактуються як випадкові змінні, тому має сенс використовувати умовні позначення у всьому.

— Сіань

@ Xi'an Я розумію вашу думку про "постійне кондиціонування". Але уявіть, я малюю із категоричного розподілу параметра , тобто . Чи можу я записати розподіл як ? Мені це виглядає дивно, оскільки завжди можна встановити фіксовану . мені виглядає зручніше.

X

$X$

θ

$\theta$

X \sim C a t (θ)

$X\sim Cat(\theta)$

p (X ∣ θ)

$p(X\mid\theta)$

θ

$\theta$

p (X; θ)

$p(X;\theta)$

— Сіббс азартні ігри

p (X ∣ θ)

$p(X\mid\theta)$

Я думаю, це більше стосується байєсівської / не-байесівської статистики, ніж машинного навчання проти .. статистики.

$X,\alpha$ $p(X \mid \alpha)$ $X$ $\alpha$ $\alpha$ $\alpha$ $p(X; \alpha)$ $p(X \mid \alpha)$ $p(\alpha)$ $\alpha$ $\alpha$ $\alpha$

$p(X ; \alpha)$ $p(X \mid \alpha)$ $p$ $\mid$

— Юхо Коккала
джерело