Perguntas com a marcação «bayesian»

Estou tentando entender a lógica da separação d nas redes bayesianas causais. Eu sei como o algoritmo funciona, mas não entendo exatamente por que o "fluxo de informações" funciona como declarado no algoritmo. Por exemplo, no gráfico acima, vamos pensar que recebemos apenas X e nenhuma outra variável foi observada. …

15 bayesian  causality  graphical-model  bayesian-network 

Atualmente, estou lendo sobre Métodos Bayesianos em Evolução Molecular de Computação por Yang. Na seção 5.2, fala sobre priores e, especificamente, Não informativo / plano / vago / difuso, conjugado e hiperpriores. Isso pode estar exigindo uma simplificação excessiva, mas alguém poderia explicar simplesmente a diferença entre esses tipos de …

15 bayesian  prior 

Eu preciso "aprender" a distribuição de um gaussiano bivariado com poucas amostras, mas uma boa hipótese sobre a distribuição anterior, então eu gostaria de usar a abordagem bayesiana. Eu defini o meu anterior: P(μ)∼N(μ0,Σ0)P(μ)∼N(μ0,Σ0) \mathbf{P}(\mathbf{\mu}) \sim \mathcal{N}(\mathbf{\mu_0},\mathbf{\Sigma_0}) μ0=[00] Σ0=[160027]μ0=[00] Σ0=[160027] \mathbf{\mu_0} = \begin{bmatrix} 0 \\ 0 \end{bmatrix} \ \ \ …

15 distributions  bayesian  estimation  covariance  posterior 

Tenho uma vaga noção do que é um método de passagem de mensagens: um algoritmo que constrói uma aproximação a uma distribuição, construindo iterativamente aproximações de cada um dos fatores da distribuição, condicionadas a todas as aproximações de todos os outros fatores. Acredito que ambos são exemplos de Passagem Variacional …

15 distributions  bayesian  references  algorithms 

Alguém pode me referir a uma boa referência que explica a conexão entre estatísticas bayesianas e técnicas de modelagem generativa? Por que geralmente usamos modelos generativos com técnicas bayesianas? Por que é especialmente atraente usar estatísticas bayesianas na ausência de dados completos, se é que existe? Observe que eu venho …

15 bayesian  generative-models 

Dadas duas matrizes x e y, ambas de comprimento n, ajustei um modelo y = a + b * x e quero calcular um intervalo de confiança de 95% para a inclinação. Este é (b - delta, b + delta) onde b é encontrado da maneira usual e delta = …

15 r  regression  bayesian  confidence-interval  frequentist 

Algoritmos MCMC como Metropolis-Hastings e Gibbs são formas de amostragem das distribuições posteriores da articulação. Eu acho que entendo e posso implementar as pessoas que vivem nas metrópoles com bastante facilidade - você simplesmente escolhe os pontos de partida de alguma forma e 'percorre o espaço dos parâmetros' aleatoriamente, guiado …

15 bayesian  mcmc  gibbs 

A troca de etiquetas (ou seja, a distribuição posterior é invariável à troca de etiquetas de componentes) é um problema problemático ao usar o MCMC para estimar modelos de mistura. Existe uma metodologia padrão (como amplamente aceita) para lidar com o problema? Se não houver uma abordagem padrão, quais são …

15 bayesian  mcmc  mixture 

Eu li que na regra de Bayes, o denominador dePr(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})} é chamado de constante de normalização . O que exatamente é isso? Qual é seu propósito? Por que parece ? Por que não depende dos parâmetros?Pr(data)Pr(data)\Pr(data)

15 probability  bayesian 

Como estudante de física, experimentei a palestra "Por que sou bayesiano", talvez meia dúzia de vezes. É sempre a mesma coisa - o apresentador explica presunçosamente como a interpretação bayesiana é superior à interpretação freqüentista supostamente empregada pelas massas. Eles mencionam a regra de Bayes, marginalização, anteriores e posteriores. Qual …

15 probability  bayesian  frequentist 

Estou analisando um conjunto de dados usando um modelo de efeitos mistos com um efeito fixo (condição) e dois efeitos aleatórios (participante devido ao design do sujeito e ao par). O modelo foi gerado com o lme4pacote: exp.model<-lmer(outcome~condition+(1|participant)+(1|pair),data=exp). Em seguida, realizei um teste de razão de verossimilhança desse modelo em …

15 r  repeated-measures  multiple-comparisons  post-hoc  lsmeans  bayesian  posterior  marginal  integral  anova  time-series  regularization  machine-learning  pca  computational-statistics  references  inference  regression  cross-validation  python  random-forest  chi-squared  spearman-rho  r  machine-learning  confidence-interval  bagging  clustering  feature-selection  model-selection  bic  hypothesis-testing  kurtosis  r  regression  residuals  terminology 

Geralmente, um intervalo de confiança com cobertura de 95% é muito semelhante a um intervalo credível que contém 95% da densidade posterior. Isso acontece quando o prior é uniforme ou quase uniforme no último caso. Assim, um intervalo de confiança geralmente pode ser usado para aproximar um intervalo confiável e …

14 bayesian  confidence-interval  frequentist  credible-interval 

Você poderia fornecer uma explicação passo a passo dos manequins de como o Hamiltonian Monte Carlo funciona? PS: Eu já li as respostas aqui, Monte Carlo Hamiltoniano , e aqui Monte Carlo Hamiltoniano vs. Monte Carlo Sequencial , e aqui Monte Carlo Hamiltoniano: como entender a proposta da Metropolis-Hasting? e …

14 bayesian  hmc 

Portanto, essa pode ser uma pergunta comum, mas nunca encontrei uma resposta satisfatória. Como você determina a probabilidade de a hipótese nula ser verdadeira (ou falsa)? Digamos que você dê aos alunos duas versões diferentes de um teste e queira ver se as versões eram equivalentes. Você realiza um teste …

14 probability  hypothesis-testing  bayesian 

Alguém pode explicar a principal idéia por trás dos métodos Hamiltonianos de Monte Carlo e em quais casos eles produzirão melhores resultados do que os métodos de Markov Chain Monte Carlo?

14 bayesian  mcmc  hmc