Domande taggate «bayesian»

Di recente ho visto questo discorso di Eric J. Ma e ho controllato il suo blog , in cui cita Radford Neal, che i modelli bayesiani non si adattano troppo (ma possono adattarsi troppo ) e quando li usano, non abbiamo bisogno di set di test per convalidarli (per me …

9 machine-learning  bayesian  cross-validation  deep-learning 

Casella e Berger dichiarano la proprietà di invarianza dello stimatore ML come segue: Tuttavia, mi sembra che definiscano la "probabilità" di in un modo completamente ad hoc e senza senso:ηη\eta Se applico le regole di base della teoria della probabilità al caso semplice se , ottengo invece quanto segue: L …

9 self-study  bayesian  maximum-likelihood  frequentist  invariance 

Considera la trama sotto in cui ho simulato i dati come segue. Osserviamo un risultato binario per il quale la vera probabilità di essere 1 è indicata dalla linea nera. La relazione funzionale tra covariata e è 3 ° polinomio di ordine con il collegamento logistico (in modo che non …

9 regression  logistic  bayesian  confidence-interval  credible-interval 

Ho un set di dati con tre variabili, in cui tutte le variabili sono quantitative. Lascialo chiamare , e . Sto adattando un modello di regressione in una prospettiva bayesiana tramite MCMC conyyyx1x1x_1x2x2x_2rjags Ho fatto un'analisi esplorativa e il grafico a dispersione di suggerisce che dovrebbe essere usato un termine …

9 bayesian  feature-selection  model-selection  model  credible-interval 

Esempi: ho una frase nella descrizione del lavoro: "Ingegnere senior Java nel Regno Unito". Voglio usare un modello di apprendimento profondo per prevederlo in 2 categorie: English e IT jobs. Se uso il modello di classificazione tradizionale, posso solo prevedere 1 etichetta con la softmaxfunzione all'ultimo livello. Quindi, posso usare …

9 machine-learning  deep-learning  natural-language  tensorflow  sampling  distance  non-independent  application  regression  machine-learning  logistic  mixed-model  control-group  crossover  r  multivariate-analysis  ecology  procrustes-analysis  vegan  regression  hypothesis-testing  interpretation  chi-squared  bootstrap  r  bioinformatics  bayesian  exponential  beta-distribution  bernoulli-distribution  conjugate-prior  distributions  bayesian  prior  beta-distribution  covariance  naive-bayes  smoothing  laplace-smoothing  distributions  data-visualization  regression  probit  penalized  estimation  unbiased-estimator  fisher-information  unbalanced-classes  bayesian  model-selection  aic  multiple-regression  cross-validation  regression-coefficients  nonlinear-regression  standardization  naive-bayes  trend  machine-learning  clustering  unsupervised-learning  wilcoxon-mann-whitney  z-score  econometrics  generalized-moments  method-of-moments  machine-learning  conv-neural-network  image-processing  ocr  machine-learning  neural-networks  conv-neural-network  tensorflow  r  logistic  scoring-rules  probability  self-study  pdf  cdf  classification  svm  resampling  forecasting  rms  volatility-forecasting  diebold-mariano  neural-networks  prediction-interval  uncertainty 

Domanda: Un malinteso comune sui valori di p è che rappresentano la probabilità che l'ipotesi nulla sia vera. So che non è corretto e so che i valori p rappresentano solo la probabilità di trovare un campione estremo come questo, dato che l'ipotesi nulla è vera. Tuttavia, intuitivamente, si dovrebbe …

9 hypothesis-testing  bayesian  p-value  frequentist 

Sto cercando di implementare il modello di miscela gaussiana con inferenza variazionale stocastica, seguendo questo articolo . Questa è la figura della miscela gaussiana. Secondo l'articolo, l'algoritmo completo dell'inferenza variazionale stocastica è: E sono ancora molto confuso del metodo per ridimensionarlo a GMM. In primo luogo, ho pensato che il …

9 machine-learning  bayesian  clustering  gaussian-mixture  variational-bayes 

Sto leggendo questo articolo prestampato e ho difficoltà a seguire la loro derivazione delle equazioni per la regressione del processo gaussiana. Usano l'impostazione e la notazione di Rasmussen & Williams . Pertanto, si presuppone un additivo, a media zero, stazionario e normalmente distribuito con varianza :σ2noiseσnoise2\sigma^2_{noise} y=f(x)+ϵ,ϵ∼N(0,σ2noise)y=f(x)+ϵ,ϵ∼N(0,σnoise2)y=f(\mathbf{x})+\epsilon, \quad \epsilon\sim N(0,\sigma^2_{noise}) …

9 regression  bayesian  gaussian-process 

Gli statistici bayesiani sostengono che "Le statistiche bayesiane possono stimare parametri che sono molto difficili da stimare attraverso metodi frequentisti". La seguente citazione tratta da questa documentazione SAS dice la stessa cosa? Fornisce inferenze che sono condizionate dai dati e sono esatte, senza fare affidamento sull'approssimazione asintotica. L'inferenza di piccolo …

9 bayesian  inference  sas  frequentist 

Sto leggendo il documento di rilevazione del punto di cambio online bayesiano di Adams e MacKay ( link ). Gli autori iniziano scrivendo la distribuzione predittiva marginale: doveP(xt+1|x1:t)=∑rtP(xt+1|rt,x(r)t)P(rt|x1:t)(1)P(xt+1|x1:t)=∑rtP(xt+1|rt,xt(r))P(rt|x1:t)(1) P(x_{t+1} | \textbf{x}_{1:t}) = \sum_{r_t} P(x_{t+1} | r_t, \textbf{x}_t^{(r)}) P(r_t | \textbf{x}_{1:t}) \qquad \qquad (1) è l'osservazione al tempo t ;xtxtx_tttt indica …

9 time-series  bayesian  inference  change-point 

Chiuso . Questa domanda richiede dettagli o chiarezza . Al momento non accetta risposte. Vuoi migliorare questa domanda? Aggiungi dettagli e chiarisci il problema modificando questo post . Chiuso 3 anni fa . Da quello che ho letto e dalle risposte ad altre domande che ho posto qui, molti cosiddetti …

9 bayesian  frequentist  philosophical 

Sto attualmente esaminando un documento sul modello di effetti casuali del processo Dirichlet e le specifiche del modello sono le seguenti: dove è il parametro di scala e è la misura di base. Più avanti nel documento, suggerisce che integriamo una funzione sulla misura di base come La misura di …

9 bayesian  dirichlet-distribution  dirichlet-process  nonparametric-bayes  measure-theory 

Considera la perdita quadratica , con il precedente dato dove . Sia la probabilità. Trova lo stimatore di Bayes .L(θ,δ)=(θ−δ)2L(θ,δ)=(θ−δ)2L(\theta,\delta)=(\theta-\delta)^2π(θ)π(θ)\pi(\theta)π(θ)∼U(0,1/2)π(θ)∼U(0,1/2)\pi(\theta)\sim U(0,1/2)f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0δπδπ\delta^\pi Considera la perdita quadratica ponderata dove con precedente . Sia sia la probabilità. Trova lo stimatore di Bayes .Lw(θ,δ)=w(θ)(θ−δ)2Lw(θ,δ)=w(θ)(θ−δ)2L_w(\theta,\delta)=w(\theta)(\theta-\delta)^2w(θ)=I(−∞,1/2)w(θ)=I(−∞,1/2)w(\theta)=\mathbb{I}_{(-\infty,1/2)}π1(θ)=I[0,1](θ)π1(θ)=I[0,1](θ)\pi_1(\theta)=\mathbb{I}_{[0,1]}(\theta)f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|θ)=θxθ−1I[0,1](x),θ>0f(x|\theta)=\theta x^{\theta-1}\mathbb{I}_{[0,1]}(x), \theta>0δπ1δ1π\delta^\pi_1 Confronta eδπδπ\delta^\piδπ1δ1π\delta^\pi_1 Per prima cosa ho …

9 self-study  bayesian  estimation  hierarchical-bayesian  loss-functions 

La domanda si basa sull'articolo intitolato: Ricostruzione dell'immagine nella tomografia ottica diffusa utilizzando il modello di trasporto-diffusione radiativo accoppiato Link per scaricare Gli autori applicano l'algoritmo EM con regolarizzazione della sparsità di un vettore sconosciuto per stimare i pixel di un'immagine. Il modello è dato dal1l1l_1μμ\mu y=Aμ+e(1)(1)y=Aμ+ey=A\mu + e \tag{1} …

9 self-study  bayesian  maximum-likelihood  expectation-maximization  moving-average 

Mentre mi piace pensare di avere una buona conoscenza del concetto di informazione precedente nell'analisi statistica bayesiana e nel processo decisionale, spesso ho difficoltà a avvolgere la testa attorno alla sua applicazione. Ho in mente un paio di situazioni che esemplificano le mie lotte e sento che non sono state …

9 bayesian  prior  rule-of-thumb  elicitation