Czy społeczność ucząca się na maszynie nadużywa „uwarunkowana” i „sparametryzowana przez”?

Powiedzmy, że zależy od α . Rygorystycznie rzecz biorąc,$X$$\alpha$

• jeśli i α są zmiennymi losowymi, moglibyśmy napisać p ( X ∣ α ) ;$X$$\alpha$$p(X\mid\alpha)$

• jeśli jednak jest zmienną losową, a α jest parametrem, musimy zapisać p ( X ; α ) .$X$$\alpha$$p(X; \alpha)$

Zauważyłem kilkakrotnie, że społeczność ucząca się maszyn wydaje się ignorować różnice i nadużywać warunków.

Na przykład w słynnym modelu LDA, gdzie jest parametrem Dirichleta zamiast zmiennej losowej.$\alpha$

Czy nie powinno to być ? Widzę wielu ludzi, w tym oryginalnych autorów artykułu LDA, piszących to jako p ( θ ∣ α ) .$p(\theta;\alpha)$$p(\theta\mid\alpha)$

Myślę, że chodzi tu bardziej o statystyki bayesowskie / nie bayesowskie niż o uczenie maszynowe vs. statystyki.

$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$