Bir süre, olasılıklar modellerden çekirdekler inşa etmenin bir yolu gibi göründüğü için Fisher Çekirdekleri popüler olabilir gibi görünüyordu. Ancak, bunların pratikte nadiren kullanıldığını gördüm ve çok iyi çalışmazlar. Fisher Information'ın hesaplamasına güveniyorlar - alıntı yapmak Wikipedia:
Fisher bilgisi, f'nin doğal logaritmasının with'sine göre ikinci türev beklentisinin negatifidir. Bilgi, curve'nın maksimum olabilirlik tahminine (MLE) yakın olan destek eğrisinin "eğriliğinin" bir ölçüsü olarak görülebilir.
Bunu söyleyebildiğim kadarıyla iki nokta arasındaki çekirdek fonksiyonunun bu kavisli yüzey boyunca olan mesafe olduğu anlamına gelir - haklı mıyım?
Ancak bu, çekirdek yöntemlerinde kullanım için sorunlu olabilir.
- MLE belirli bir model için çok kötü bir tahmin olabilir
- Destek eğrisinin MLE etrafındaki eğriliği, örneğin Olabilirlik yüzeyi çok zirveye ulaşmışsa, örnekler arasında ayrım yapmak için herhangi bir kullanım olmayabilir.
- Bu, model hakkında çok fazla bilgi atıyor gibi görünüyor
Durum buysa, olasılıksal yöntemlerden çekirdek oluşturmanın daha modern yolları var mı? Örneğin, MAP tahminlerini aynı şekilde kullanmak için bir tutma seti kullanabilir miyiz? Olasılıksal yöntemlerden başka hangi mesafe veya benzerlik kavramları (geçerli) bir çekirdek işlevi oluşturmak için işe yarayabilir?