Als «prior» getaggte Fragen

Ich bin erstaunt, dass ich keine Artikel / Vorträge darüber finden kann, wie man Prior Class Probability Distributions in Klassifikatoren wie Logistic Regression oder Random Forest integrieren kann. Meine Frage lautet also: Wie kann die Wahrscheinlichkeitsverteilung früherer Klassen in logistische Regression oder zufällige Wälder einbezogen werden? Bedeutet die Einbeziehung der …

9 logistic  bayesian  random-forest  prior 

Ich habe versucht, die Bayes'schen Statistiken neu zu lernen (jedes Mal, wenn ich dachte, ich hätte sie endlich bekommen, taucht etwas anderes auf, das ich vorher nicht in Betracht gezogen habe ...), aber es war (für mich) nicht klar, wie der Datengenerierungsprozess ablief im Bayesianischen Rahmen ist eigentlich. Der frequentistische …

9 bayesian  modeling  prior  frequentist  randomness 

Ich schätze mehrere inverse Kovarianzmatrizen einer Reihe von Messungen über verschiedene Subpopulationen hinweg unter Verwendung eines Wisharts vor jags / rjags / R. Anstatt eine Skalenmatrix und Freiheitsgrade in der inversen Kovarianzmatrix vor (der Wishart-Verteilung) anzugeben, möchte ich einen Hyperprior in der Skalenmatrix und den Freiheitsgraden verwenden, damit sie aus …

9 bayesian  covariance  prior  wishart  hierarchical-bayesian 

Im Wikipedia-Eintrag für das Akaike-Informationskriterium lesen wir unter Vergleich mit BIC (Bayesianisches Informationskriterium), dass ... AIC / AICc hat theoretische Vorteile gegenüber BIC ... AIC / AICc leitet sich aus Informationsprinzipien ab; BIC ist nicht ... BIC hat einen Prior von 1 / R (wobei R die Anzahl der Kandidatenmodelle …

8 model-selection  aic  prior  information-theory  bic 

Ich habe die großartigen Kommentare zum Umgang mit fehlenden Werten vor dem Anwenden von SVD gelesen, möchte aber anhand eines einfachen Beispiels wissen, wie dies funktioniert: Movie1 Movie2 Movie3 User1 5 4 User2 2 5 5 User3 3 4 User4 1 5 User5 5 1 5 Wenn ich in der …

8 r  missing-data  data-imputation  svd  sampling  matlab  mcmc  importance-sampling  predictive-models  prediction  algorithms  graphical-model  graph-theory  r  regression  regression-coefficients  r-squared  r  regression  modeling  confounding  residuals  fitting  glmm  zero-inflation  overdispersion  optimization  curve-fitting  regression  time-series  order-statistics  bayesian  prior  uninformative-prior  probability  discrete-data  kolmogorov-smirnov  r  data-visualization  histogram  dimensionality-reduction  classification  clustering  accuracy  semi-supervised  labeling  state-space-models  t-test  biostatistics  paired-comparisons  paired-data  bioinformatics  regression  logistic  multiple-regression  mixed-model  random-effects-model  neural-networks  error-propagation  numerical-integration  time-series  missing-data  data-imputation  probability  self-study  combinatorics  survival  cox-model  statistical-significance  wilcoxon-mann-whitney  hypothesis-testing  distributions  normal-distribution  variance  t-distribution  probability  simulation  random-walk  diffusion  hypothesis-testing  z-test  hypothesis-testing  data-transformation  lognormal  r  regression  agreement-statistics  classification  svm  mixed-model  non-independent  observational-study  goodness-of-fit  residuals  confirmatory-factor  neural-networks  deep-learning 

Bei gegebener Gaußscher Wahrscheinlichkeit für eine Stichprobe wie wobei der Parameterraum und , beliebige Parametrisierungen des mittleren Vektors und der Kovarianzmatrix.p ( y | θ ) = N ( y ; μ ( θ ) , Σ ( θ ) ) Θ μ ( θ ) Σ ( θ )yyyp(y|θ)=N(y;μ(θ),Σ(θ))p(y|θ)=N(y;μ(θ),Σ(θ))p(y|\theta) …

8 normal-distribution  mixed-model  prior  marginal  conjugate-prior 

Ich lese gerade Artikel über probabilistische PCA und frage mich, warum der Gaußsche Prior (und nicht irgendein anderer Prior) für die latenten Variablen ausgewählt wurde. Ist es nur, weil es einfach ist oder gibt es einen anderen Grund? Verweise: Tipping & Bishop, 1999, Probabilistische Hauptkomponentenanalyse - knapp unter Gl. (2) …

8 normal-distribution  pca  prior  latent-variable 

Wie kann ich die hintere Wahrscheinlichkeit berechnen, wenn mein Prior als kontinuierliche Wahrscheinlichkeitsverteilung modelliert wird, beispielsweise als Beta-Verteilung, die verzerrt ist, um meine Neigung zu bestimmten Modellen widerzuspiegeln? Die Herausforderung für mich besteht darin, die Wahrscheinlichkeit eines bestimmten Modells zu berechnen, da die kontinuierliche Verteilung nur Schätzungen für Intervalle liefert …

8 bayesian  prior 

Nicht informative Prioritäten werden in Fällen bevorzugt, in denen eine Voreingenommenheit nicht akzeptabel ist (z. B. Gerichtssäle usw.). Es scheint mir jedoch nur sinnvoll zu sein, stattdessen einen frequentistischen Ansatz zu verwenden. Warum hat der Bayes'sche Ansatz überhaupt einen nicht informativen Prior? Vielen Dank!

8 bayesian  prior  uninformative-prior 

Die Wahrscheinlichkeitsfunktion einer logarithmischen Normalverteilung ist: f( x ; μ , σ) ∝ ∏nich11σxichexp( - ( lnxich- μ )22 σ2)f(x;μ,σ)∝∏i1n1σxiexp⁡(−(ln⁡xi−μ)22σ2)f(x; \mu, \sigma) \propto \prod_{i_1}^n \frac{1}{\sigma x_i} \exp \left ( - \frac{(\ln{x_i} - \mu)^2}{2 \sigma^2} \right ) und Jeffreys 'Prior ist: p ( μ , σ) ∝ 1σ2p(μ,σ)∝1σ2p(\mu,\sigma) \propto \frac{1}{\sigma^2} Die …

8 bayesian  prior  posterior  conjugate-prior  uninformative-prior 

In Bayesian Data Analysis , Kapitel 13, Seite 317, zweiter vollständiger Absatz, in den Modal- und Verteilungsnäherungen, haben Gelman et al. schreiben: Wenn der Plan darin besteht, die Inferenz durch den posterioren Modus von [dem Korrelationsparameter in einer bivariaten Normalverteilung] zusammenzufassen, würden wir die vorherige Verteilung von U (-1,1) durch …

8 bayesian  prior  posterior  mode 

Ich habe zwei Fragen, Frage 1: Wie kann ich zeigen, dass die hintere Verteilung eine Beta-Verteilung ist, wenn die Wahrscheinlichkeit binomial und die vorherige eine Beta ist? Frage 2: Wie wirkt sich die Auswahl der vorherigen Parameter auf den posterioren Bereich aus? Sollten sie nicht alle gleich sein? Ist es …

8 r  self-study  bayesian  prior  posterior 

Ich arbeite an einem Modell, das auf einer hässlichen parametrisierten Funktion beruht, die als Kalibrierungsfunktion für einen Teil des Modells fungiert. Bei Verwendung einer Bayes'schen Einstellung muss ich nicht informative Prioritäten für die Parameter erhalten, die meine Funktion beschreiben. Ich weiß, dass ich im Idealfall Referenz- oder zumindest Jeffreys-Prioritäten ableiten …

8 bayesian  inference  prior  uninformative-prior 

Vorausgesetzt, dass die hintere Schätzung von einer normalen Wahrscheinlichkeit und eines inversen Gammas vor σ 2 ist:σ′2σ′2\sigma'^{2}σ2σ2\sigma^2 σ′2∼IG(α+n2,β+∑ni=1(yi−μ)22)σ′2∼IG(α+n2,β+∑i=1n(yi−μ)22)\sigma'^{2}\sim\textrm{IG}\left(\alpha + \frac{n}{2}, \beta +\frac{\sum_{i=1}^n{(y_i-\mu)^2}}{2}\right) das ist äquivalent zu σ′2∼IG(n2,nσ22)σ′2∼IG(n2,nσ22)\sigma'^{2}\sim\textrm{IG}\left( \frac{n}{2}, \frac{n\sigma^2}{2}\right) da eine schwache , bevor sie auf σ 2 entfernt & alpha und β aus Gleichung 1:IG(α,β)IG(α,β)\textrm{IG}(\alpha, \beta)σ2σ2\sigma^2αα\alphaββ\beta σ′2∼IG(n2,∑ni=1(yi−μ)22)σ′2∼IG(n2,∑i=1n(yi−μ)22)\sigma'^{2}\sim\textrm{IG}\left( \frac{n}{2}, \frac{\sum_{i=1}^n{(y_i-\mu)^2}}{2}\right) …

8 bayesian  prior  conjugate-prior 

Wie vervollständige ich das Quadrat ab dem Punkt, an dem ich aufgehört habe, und ist das bisher richtig? Ich habe einen normalen Prior für der Form , um zu erhalten:p ( β | σ 2 ) ∼ N ( 0 , σ 2 V )ββ\betap ( β| σ2) ∼ N.( …

8 bayesian  normal-distribution  prior  likelihood