Pr(data)Pr(data)\Pr(\textrm{data}) Pr(parameters∣data)=Pr(data∣parameters)Pr(parameters)Pr(data)Pr(parameters∣data)=Pr(data∣parameters)Pr(parameters)Pr(data)\Pr(\text{parameters} \mid \text{data}) = \frac{\Pr(\textrm{data} \mid \textrm{parameters}) \Pr(\text{parameters})}{\Pr(\text{data})} est...
J'ai une vague idée de ce qu'est une méthode de transmission de messages: un algorithme qui construit une approximation d'une distribution en construisant itérativement des approximations de chacun des facteurs de la distribution conditionnelle à toutes les approximations de tous les autres...
Un examinateur nous a demandé de fournir des valeurs de p afin de mieux comprendre les estimations du modèle dans notre modèle bayésien à plusieurs niveaux. Le modèle est un modèle typique d'observations multiples par participant à une expérience. Nous avons estimé le modèle avec Stan, afin que...
J'ai du mal à comprendre pourquoi l'inférence bayésienne conduit à des problèmes insolubles. Le problème est souvent expliqué comme ceci: Ce que je ne comprends pas, c'est pourquoi cette intégrale doit être évaluée en premier lieu: il me semble que le résultat de l'intégrale est simplement une...
J'analyse un ensemble de données à l'aide d'un modèle à effets mixtes avec un effet fixe (condition) et deux effets aléatoires (participant en raison de la conception et de la paire du sujet). Le modèle a été généré avec le lme4package:
Je pense qu'un bon moyen de se souvenir de la formule est de penser à la formule comme ceci: La probabilité qu'un événement A ait un résultat particulier étant donné le résultat d'un événement indépendant B = la probabilité que les deux résultats se produisent simultanément / quoi que nous disions,...
À ma connaissance, le calcul bayésien approximatif (ABC) et la chaîne de Markov Monte Carlo (MCMC) ont des objectifs très similaires. Ci-dessous, je décris ma compréhension de ces méthodes et comment je perçois les différences dans leur application aux données réelles. Calcul bayésien approximatif...
J'ai entendu dire que la régression des crêtes peut être dérivée comme la moyenne d'une distribution postérieure, si l'a priori est adéquatement choisi. L'intuition est-elle que les contraintes définies sur les coefficients de régression par les a priori (par exemple, les distributions normales...
Ainsi, dans la modélisation de texte (non supervisée), l'allocation de Dirichlet latent (LDA) est une version bayésienne de l'analyse sémantique probabiliste latente (PLSA). Essentiellement, LDA = PLSA + Dirichlet prioritaire sur ses paramètres. Ma compréhension est que LDA est maintenant...
je suppose que P(A|B)=P(A|B,C)∗P(C)+P(A|B,¬C)∗P(¬C)P(A|B)=P(A|B,C)∗P(C)+P(A|B,¬C)∗P(¬C)P(A|B) = P(A | B,C) * P(C) + P(A|B,\neg C) * P(\neg C) est correct, alors que P(A|B)=P(A|B,C)+P(A|B,¬C)P(A|B)=P(A|B,C)+P(A|B,¬C)P(A|B) = P(A | B,C) + P(A|B,\neg C) est incorrect. Cependant, j'ai une "intuition"...
Après avoir lu ce billet de blog sur les modèles de séries chronologiques structurelles bayésiennes, j'ai voulu examiner la mise en œuvre de cela dans le contexte d'un problème pour lequel j'avais précédemment utilisé ARIMA. J'ai quelques données avec certaines composantes saisonnières connues...
J'ai besoin "d'apprendre" la distribution d'un gaussien bivarié avec peu d'échantillons, mais une bonne hypothèse sur la distribution précédente, donc je voudrais utiliser l'approche bayésienne. J'ai défini mon avant: P(μ)∼N(μ0,Σ0)P(μ)∼N(μ0,Σ0) \mathbf{P}(\mathbf{\mu}) \sim...
Je lis actuellement sur les méthodes bayésiennes dans le calcul de l'évolution moléculaire par Yang. Dans la section 5.2, il parle des prieurs, et en particulier des non-informatifs / plats / vagues / diffus, conjugués et hyperpriors. Cela pourrait demander une simplification excessive, mais...
Je suis à la recherche d'un manuel théoriquement rigoureux sur l'économétrie bayésienne, en supposant une solide compréhension de l'économétrie fréquentiste. Je voudrais suggérer un travail par réponse, afin que les recommandations puissent être votées à la hausse ou à la baisse...
Q: Quelle est la méthode standard pour regrouper des données à l'aide d'un processus Dirichlet? Lors de l'utilisation de Gibbs, des grappes d'échantillonnage apparaissent et disparaissent pendant l'échantillonnage. Par ailleurs, nous avons un problème d'identifiabilité car la distribution...
Ainsi, nous savons que la recherche aléatoire fonctionne mieux que la recherche dans la grille, mais une approche plus récente est l'optimisation bayésienne (en utilisant des processus gaussiens). J'ai recherché une comparaison entre les deux et je n'ai rien trouvé. Je sais qu'au cs231n de...
Cette question découle de la question: quand (si jamais) une approche fréquentiste est-elle substantiellement meilleure qu'une approche bayésienne? Comme je l'ai signalé dans ma solution à cette question, à mon avis, si vous êtes un fréquentiste, vous n'avez pas à croire / adhérer au principe de...
Contexte: Je fais actuellement un travail de comparaison de divers modèles hiérarchiques bayésiens. Les données sont des mesures numériques du bien-être du participant i et du temps j . J'ai environ 1000 participants et 5 à 10 observations par participant.yje jyjejy_{ij}jejeijjj Comme avec la...
Question: Quels sont les avantages / inconvénients d'utiliser l'un avant l'autre pour la sélection des variables? Supposons que j'ai la probabilité: où je peux mettre l' un des prieurs: ou: w i ∼ π δ 0 + ( 1 - π ) N ( 0 , 100 )y∼N(Xw,σ2I)y∼N(Xw,σ2I)y\sim\mathcal{N}(Xw,\sigma^2I)w i ∼ exp ( - λ | w...
MLE = Estimation du maximum de vraisemblance MAP = Maximum a posteriori Le MLE est intuitif / naïf en ce qu'il ne commence qu'avec la probabilité d'observation compte tenu du paramètre (c'est-à-dire la fonction de vraisemblance) et essaie de trouver le paramètre le plus conforme à l'observation ....