«bayesian» etiketlenmiş sorular

Şu anda Coursera'da Daphne Koller'in PGM kursuna katılıyorum. Bu bağlamda, genellikle bir Bayes Ağı'nı, gözlemlenen verilerin bir parçası olan değişkenlerin bir sebep ve sonuç odaklı grafiği olarak modelliyoruz. Ancak PyMC öğreticileri ve örneklerinde genellikle PGM ile aynı şekilde modellenmediğini veya en azından kafam karıştığını görüyorum. PyMC'de gözlemlenen herhangi bir gerçek …

13 bayesian  inference  bayesian-network  pymc 

Şu anda Kruschke'nin mükemmel "Bayesian Veri Analizi Yapıyor" kitabını okuyorum. Bununla birlikte, hiyerarşik lojistik regresyon (Bölüm 20) bölümü biraz kafa karıştırıcıdır. Şekil 20.2, Bernoulli parametresinin bir sigmoid fonksiyon aracılığıyla dönüştürülen katsayılar üzerinde doğrusal bir fonksiyon olarak tanımlandığı hiyerarşik bir lojistik regresyonu tarif eder. Bu, çevrimiçi olarak diğer kaynaklarda da gördüğüm …

13 regression  bayesian  logistic  multilevel-analysis 

Bayes teoremini şöyle yazabiliriz: p(θ|x)=f(X|θ)p(θ)∫θf(X|θ)p(θ)dθp(θ|x)=f(X|θ)p(θ)∫θf(X|θ)p(θ)dθp(\theta|x) = \frac{f(X|\theta)p(\theta)}{\int_{\theta} f(X|\theta)p(\theta)d\theta} burada arka, koşullu dağılım ve .p(θ|x)p(θ|x)p(\theta|x)f(X|θ)f(X|θ)f(X|\theta)p(θ)p(θ)p(\theta) veya p(θ|x)=L(θ|x)p(θ)∫θL(θ|x)p(θ)dθp(θ|x)=L(θ|x)p(θ)∫θL(θ|x)p(θ)dθp(\theta|x) = \frac{L(\theta|x)p(\theta)}{\int_{\theta} L(\theta|x)p(\theta)d\theta} burada arka, olabilirlik fonksiyonudur ve .p(θ|x)p(θ|x)p(\theta|x)L(θ|x)L(θ|x)L(\theta|x)p(θ)p(θ)p(\theta) Sorum şu Bayes analizi neden koşullu dağılım değil olasılık işlevi kullanılarak yapılıyor? Olasılık ve koşullu dağılım arasındaki farkın ne olduğunu kelimelerle söyleyebilir misiniz? Olasılık bir …

13 bayesian  likelihood 

Bayes / MCMC'de çok iyi bir metne rastladım. BT, bağımsız değişkenlerinizin standartlaştırılmasının bir MCMC (Metropolis) algoritmasını daha verimli hale getireceğini, ancak aynı zamanda (çoklu) çarpışabilirliği azaltabileceğini önermektedir. Bu doğru olabilir mi? Bu standart olarak yapmam gereken bir şey mi ? (Üzgünüm). Kruschke 2011, Bayesci Veri Analizi Yapmak. (AP) düzenleme: örneğin …

13 bayesian  mcmc  multicollinearity  standardization 

Nesnel ve öznel Bayes paradigmaları arasındaki fark nedir? Hangi nesneleri veya prosedürleri farklı tanımlarlar veya yorumlarlar? Yöntem seçiminde herhangi bir fark var mı?

12 bayesian  methodology 

Bir araştırmacının bir veri kümesini keşfettiğini ve 1000 farklı regresyon gerçekleştirdiğini ve aralarında ilginç bir ilişki bulduğunu düşünün. Şimdi , aynı verilere sahip başka bir araştırmacının sadece 1 regresyon gerçekleştirdiğini ve diğer araştırmacının bulmak için 1000 regresyon aldığını ortaya çıkardığını hayal edin . Araştırmacı 2 araştırmacı 1'i tanımıyor. Araştırmacı 1 …

12 bayesian  multiple-regression  multiple-comparisons  inference  theory 

John Kruschke, Does Bayesian Veri Analizi adlı kitabında, R'den JAGS kullanırken ... bir MCMC örneğindeki modun tahmini oldukça kararsız olabilir çünkü tahmin, MCMC örneğindeki rastgele tümseklere ve dalgalanmalara duyarlı olabilen bir düzeltme algoritmasına dayanır. ( Bayesian Veri Analizi Yapma , sayfa 205, bölüm 8.2.5.1) Metropolis algoritmasını ve Gibbs örneklemesi gibi …

12 bayesian  mcmc  mode 

Bu ifadeyi sık sık duydum, ama ne anlama geldiğini asla tam olarak anlamadım. "İyi sıklık mülkleri" ifadesi şu anda google'da yaklaşık 2750, scholar.google.com'da 536 ve stats.stackexchange.com'da 4 isabet aldı . Ben net bir tanım bulundu yakın şey geliyor nihai slayt içinde bu Stanford Üniversitesi sunumu hangi devletler, [%]% 95 güven …

12 bayesian  terminology  frequentist 

Bayesian çıkarımını okuyorum ve "marjinal olasılığın sayısal entegrasyonu çok pahalı" ifadesiyle karşılaştım Ben matematik bir arka plan yok ve ben tam ne yaptığını merak ediyorum pahalı burada ortalama? Sadece hesaplama gücü açısından mı yoksa daha fazlası var mı?

12 bayesian  numerical-integration  variational-bayes  approximate-inference 

Kullanılabilirliğin yanı sıra, eşlenik öncelikleri kullanmak için epistemik bir gerekçe (matematiksel, felsefi, sezgisel, vb.) Var mı? Yoksa çoğunlukla sadece yeterince iyi bir yaklaşım ve işleri daha kolay hale getirmesi mi?

12 bayesian  conjugate-prior  philosophical 

RJMCMC kullanarak keşfettiğim çeşitli karmaşıklık modellerinin geniş (ancak sonlu) bir alanını düşünürüm . Her model için parametre vektörünün öncüsü oldukça bilgilendiricidir. Hangi durumlarda (varsa) Jeffreys-Lindley paradoksundan , daha karmaşık modellerden biri daha uygun olduğunda daha basit modelleri tercih etmekten endişelenmeliyim ? Bayesci model seçimindeki paradoksun sorunlarını vurgulayan basit örnekler var …

12 bayesian  model-selection  mcmc  prior  improper-prior 

Son zamanlarda bir sinir ağındaki girdi ve çıktı arasındaki olasılık ilişkisini veren Bayes sinir ağı (BNN) [Neal, 1992] , [Neal, 2012] hakkında bazı makaleler okudum . Böyle bir sinir ağını eğitmek, geleneksel geri yayılma algoritmasından farklı olan MCMC aracılığıyla yapılır. Sorum şu: Böyle bir sinir ağını kullanmanın avantajı nedir? Daha …

12 bayesian  neural-networks  bayesian-network 

N boyutlu vektörler \ mathbf {x_1}, .., \ mathbf {x_N} \ begin {align} \ mathbf {x_i} & \ sim oluşturmak için kullanılan normal bir dağılımın hassas matrisini çıkarırken \ mathcal {N} (\ boldsymbol {\ mu, \ Lambda ^ {- 1}}) \\ \ end {align} Wishart dağıtımı için önceki eşlenik olduğundan, …

12 bayesian  posterior  hierarchical-bayesian  conjugate-prior  wishart 

"Yavru kitap" olarak da bilinen John K. Kruschke'nin Bayesian Veri Analizi adlı kitabını okuyarak Bayesci istatistiklere aşina oluyorum . 9. bölümde, hiyerarşik modeller bu basit örnekle tanıtılmaktadır: ve Bernoulli gözlemleri 3'er madeni paradır, her biri 10 döndürür. Biri 9 kafa, diğeri 5 kafa ve diğeri 1 kafa gösterir.yj benθjμκ∼ B …

12 bayesian  interpretation  python  mcmc  autocorrelation 

Çok büyük bir veri setim var ve yaklaşık% 5 rasgele değerler eksik. Bu değişkenler birbiriyle ilişkilidir. Aşağıdaki örnek R veri kümesi sadece yapay korelasyonlu verilere sahip bir oyuncak örneğidir. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", 1:10000, …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf