Hyperparametr - Hyperparameter - Wikipedia

Tento článek má několik problémů. Prosím pomozte vylepši to nebo diskutovat o těchto otázkách na internetu diskusní stránka. (Zjistěte, jak a kdy tyto zprávy ze šablony odebrat) tento článek může být pro většinu čtenářů příliš technická na to, aby je pochopili. Prosím pomozte to vylepšit na aby to bylo srozumitelné pro neodborníky, aniž by byly odstraněny technické podrobnosti. (Prosinec 2020) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) (Zjistěte, jak a kdy odstranit tuto zprávu šablony)

Část série na
Bayesovské statistiky
Teorie
Pravidlo přípustného rozhodnutí Bayesiánská účinnost Bayesovská pravděpodobnost Výklady pravděpodobnosti Bayesova věta Bayesův faktor Bayesovský závěr Bayesovská síť Prior Zadní Pravděpodobnost Konjugujte před Zadní prediktivní Hyperparametr Hyperprior Princip lhostejnosti Princip maximální entropie Empirická Bayesova metoda Cromwellova vláda Věta Bernstein – von Mises Schwarzovo kritérium Důvěryhodný interval Maximální a posteriori odhad Radikální pravděpodobnost
Techniky
Bayesiánská lineární regrese Bayesovský odhad Přibližný Bayesiánský výpočet Markovský řetězec Monte Carlo
Matematický portál

v Bayesovské statistiky, a hyperparametr je parametr a předchozí distribuce; termín se používá k jejich odlišení od parametrů modelu pro analyzovaný podkladový systém.

Například pokud někdo používá a beta distribuce modelovat distribuci parametru str a Bernoulliho distribuce, pak:

• str je parametr základního systému (Bernoulliho distribuce) a
• α a β jsou tedy parametry předchozí distribuce (distribuce beta) hyperparametry.

Jeden může mít jednu hodnotu pro daný hyperparametr, nebo může iterovat a převzít rozdělení pravděpodobnosti na samotném hyperparametru, který se nazývá hyperprior.

Účel

Jeden často používá prior, který pochází z parametrická rodina rozdělení pravděpodobnosti - to se děje částečně kvůli jednoznačnosti (takže si člověk může zapsat distribuci a zvolit formu změnou hyperparametru, místo aby se pokusil vytvořit libovolnou funkci), částečně proto, že lišit se hyperparametr, zejména v metodě konjugovat předchozí, nebo pro Analýza citlivosti.

Konjugujte prior

Při použití předchozího konjugátu bude zadní distribuce ze stejné rodiny, ale bude mít různé hyperparametry, které odrážejí přidané informace z údajů: subjektivně byly aktualizovány víry člověka. Pro obecnou předchozí distribuci je to výpočetně velmi zapojené a zadní část může mít neobvyklou nebo obtížně popsatelnou formu, ale u předchozího konjugátu existuje obecně jednoduchý vzorec vztahující se k hodnotám hyperparametrů zadního k hodnotám hyperparametry předchozího, a tak je výpočet zadní distribuce velmi snadný.

Analýza citlivosti

Klíčovým zájmem uživatelů Bayesovské statistiky a kritikou kritiky je závislost zadního rozdělení na předchozím. Hyperparametry to řeší tím, že umožňují jednomu snadno je měnit a vidět, jak zadní distribuce (a různé její statistiky, například důvěryhodné intervaly ) se liší: je vidět, jak citlivý Závěry člověka jsou podle jeho předpokladů a proces se nazývá Analýza citlivosti.

Podobně lze použít předchozí distribuci s rozsahem pro hyperparametr, což pravděpodobně odráží nejistotu ve správném před převzetím, a odrážet to v rozsahu pro konečnou nejistotu.^[1]

Hyperprioři

Místo použití jediné hodnoty pro daný hyperparametr lze místo toho zvážit rozdělení pravděpodobnosti samotného hyperparametru; tomu se říká „hyperprior "V zásadě to lze iterovat voláním parametrů hyperprior" hyperhyperparameters "a tak dále.

Viz také

• Empirická Bayesova metoda

Reference

Další čtení

• Bernardo, J. M .; Smith, A. F. M. (2000). Bayesiánská teorie. New York: Wiley. ISBN  0-471-49464-X.
• Gelman, A.; Hill, J. (2007). Analýza dat pomocí regrese a víceúrovňových / hierarchických modelů. New York: Cambridge University Press. str. 251–278. ISBN  978-0-521-68689-1.
• Kruschke, J. K. (2010). Děláte Bayesiánskou analýzu dat: Výukový program s R a BUGS. Akademický tisk. 241–264. ISBN  978-0-12-381485-2.