Câu hỏi được gắn thẻ «bayesian»

Suy luận Bayes là một phương pháp suy luận thống kê dựa vào việc coi các tham số mô hình là các biến ngẫu nhiên và áp dụng định lý Bayes để suy ra các tuyên bố xác suất chủ quan về các tham số hoặc giả thuyết, có điều kiện trên tập dữ liệu được quan sát.

2
Thống kê mà không cần kiểm tra giả thuyết
Trong các bài đăng trên blog của mình, Andrew Gelman nói rằng anh ta không phải là người hâm mộ thử nghiệm giả thuyết Bayes (xem tại đây: http://andrewgelman.com/2009/02/26/why_i_dont_like/ ), và nếu tôi không phán đoán sai, tôi nghĩ anh ta cũng nói rằng thử nghiệm giả thuyết thường xuyên …
2
Khả năng tối đa không phải là bất biến tái tham số. Vậy làm thế nào người ta có thể biện minh cho việc sử dụng nó?
Có điều gì đó làm tôi bối rối về các công cụ ước tính khả năng tối đa. Giả sử tôi có một số dữ liệu và khả năng theo tham số làμμ\mu L(D|μ)=e−(.7−μ)2L(D|μ)=e−(.7−μ)2 L(D|\mu) = e^{-(.7-\mu)^2} có thể nhận ra là khả năng của Gaussian lên tới tỷ lệ. …
2
Trong một mô hình phân cấp Bayes, nếu khả năng trao đổi không giữ được, chính xác thì điều gì sai?
Trong nhiều sách giáo khoa, khi một mô hình Bayes được trình bày, chẳng hạn như một mô hình Bình thường-Bình thường cổ điển, có một số loại đề cập ngắn gọn rằng các thử nghiệm phải được trao đổi. Tôi tự hỏi tại sao điều này là cần thiết …
3
Học đường đến tư duy Bayes?
Tôi có sáu năm trong vai trò kinh doanh và có bằng cử nhân vật lý và toán / chỉ số ứng dụng. "Bức tranh lớn" của Sean Carroll (Nhà vật lý Caltech) đã mở ra cho tôi ý tưởng rằng số liệu thống kê Bayes là một cách suy …
7 bayesian 
1
Đây có phải cũng là một điều kiện * cần thiết để trở thành một người ước tính Bayes, hay chỉ là một điều kiện đủ?
Công cụ ước tính Bayes là công cụ giảm thiểu rủi ro Bayes. Cụ thể, nếu và chỉ khi δΛ=argminBR(Λ,δ):=∫R(θ,δ)dΛ(θ)=∫(∫L(θ,δ(x))dx)dΛ(θ)δΛ=arg⁡minBR⁡(Λ,δ):=∫R(θ,δ)dΛ(θ)=∫(∫L(θ,δ(x))dx)dΛ(θ)\delta_{\Lambda} = \arg\min \operatorname{BR}(\Lambda,\delta) := \int R(\theta, \delta) d \Lambda(\theta) = \int \left( \int L(\theta, \delta(x))dx \right) d \Lambda(\theta) Trong đó là hàm mất mát đã cho, là hàm rủi ro …
2
Trong phân loại nhị phân Gaussian Process, tại sao các hàm sigmoid được ưa thích hơn các hàm Gaussian?
Tôi hiện đang nghiên cứu "Các quy trình Gaussian cho học máy" và trong chương 3, họ nói rằng hậu thếp(y∗|X,y,x∗)p(y∗|X,y,x∗)p(y_*|X,\mathbf{y},\mathbf{x}_*)(eq. 3.10) và biến sau tiềm ẩn (eq. 3.9) nói chung không thể giải quyết bằng phương pháp phân tích, do khả năng sigmoid trong (3.9 ) và hàm sigmoid …
1
Cập nhật Bayes - ví dụ tung đồng xu
Tôi có một câu hỏi về việc cập nhật Bayes. Nói chung, cập nhật Bayes đề cập đến quá trình nhận được hậu thế từ một phân phối niềm tin trước đó. Ngoài ra, người ta có thể hiểu thuật ngữ như sử dụng sau của bước đầu tiên làm …
7 bayesian 
2
Phân phối dự báo sau so với ước tính MAP
Hãy xem xét một tập dữ liệu huấn luyện , một mô hình xác suất được tham số hóa bởi và trước đó . Đối với điểm dữ liệu mới , chúng ta có thể tính bằng cách sử dụng:XXXθθ\thetaP(θ)P(θ)P(\theta)x∗x∗x^*P(x∗)P(x∗)P(x^*) một cách tiếp cận hoàn toàn bay bổng: phân phối …
1
Hồi quy phi tuyến tính không đối xứng với độ không đảm bảo dự đoán (bên cạnh các quy trình Gaussian)
Các lựa chọn thay thế tiên tiến nhất cho Quy trình Gaussian (GP) cho hồi quy phi tuyến tính không đối xứng với độ không đảm bảo dự đoán, khi kích thước của tập huấn bắt đầu trở nên cấm đối với GP vanilla, nhưng nó vẫn không lớn lắm? …
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookie và Chính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.