Distribusi sebelumnya dalam statistik Bayes yang sedemikian rupa sehingga, jika digabungkan dengan kemungkinan, posterior yang dihasilkan berasal dari keluarga distribusi yang sama.
Dalam algoritma model topik LDA, saya melihat asumsi ini. Tapi saya tidak tahu mengapa memilih distribusi Dirichlet? Saya tidak tahu apakah kita bisa menggunakan distribusi Uniform melalui Multinomial sebagai
Saya tahu bahwa distribusi beta adalah konjugat ke binomial. Tapi apa konjugat sebelum beta? Terima
Saya telah mencoba untuk memahami ide konjugasi prior dalam statistik Bayesian untuk sementara waktu tetapi saya tidak mengerti. Adakah yang bisa menjelaskan ide dalam istilah yang paling sederhana, mungkin menggunakan "Gaussian prior" sebagai
Beberapa distribusi memiliki prior konjugat dan beberapa tidak. Apakah perbedaan ini hanya kecelakaan? Artinya, Anda melakukan perhitungan, dan itu berhasil dengan satu atau lain cara, tetapi tidak benar-benar memberi tahu Anda sesuatu yang penting tentang distribusi kecuali untuk fakta itu...
Bagaimana cara menghitung posterior dengan N ~ (a, b) setelah mengamati n titik data? Saya berasumsi bahwa kita harus menghitung mean sampel dan varians dari titik data dan melakukan semacam perhitungan yang menggabungkan posterior dengan sebelumnya, tapi saya tidak begitu yakin seperti apa rumus...
Apakah ada konjugat sebelum distribusi Laplace ? Jika tidak, adakah ungkapan bentuk tertutup yang diketahui yang mendekati posterior untuk parameter distribusi Laplace? Saya sudah googled cukup banyak dengan tidak berhasil sehingga dugaan saya saat ini adalah "tidak" pada pertanyaan di atas...
Ketika infering presisi matriks ΛΛ\boldsymbol{\Lambda} dari distribusi normal digunakan untuk menghasilkan NNN vektor D-dimensi x1,..,xNx1,..,xN\mathbf{x_1},..,\mathbf{x_N} xi∼N(μ,Λ−1)xi∼N(μ,Λ−1)\begin{align} \mathbf{x_i} &\sim \mathcal{N}(\boldsymbol{\mu, \Lambda^{-1}}) \\ \end{align} kita...
Selain kegunaan, apakah ada pembenaran epistemik (matematika, filosofis, heuristik, dll) untuk menggunakan prior konjugat? Atau sebagian besar hanya karena biasanya pendekatan yang cukup baik dan membuat banyak hal lebih
Berikut ini adalah kutipan dari Pengantar Bolstad untuk Statistik Bayesian . Untuk Anda yang ahli di luar sana, ini mungkin sepele tapi saya tidak mengerti bagaimana penulis menyimpulkan bahwa kami tidak perlu melakukan integrasi untuk menghitung probabilitas posterior untuk beberapa nilai ....
Apakah penaksir Bayes kebal terhadap bias seleksi? Sebagian besar makalah yang membahas estimasi dalam dimensi tinggi, misalnya, seluruh data sekuens genom, akan sering menimbulkan masalah bias seleksi. Bias seleksi muncul dari fakta bahwa, meskipun kami memiliki ribuan calon prediktor, hanya...
Contoh: Saya memiliki kalimat dalam deskripsi pekerjaan: "Java senior engineer in UK". Saya ingin menggunakan model pembelajaran yang mendalam untuk memperkirakannya sebagai 2 kategori: English dan IT jobs. Jika saya menggunakan model klasifikasi tradisional, hanya dapat memprediksi 1 label dengan...
Mengingat bahwa estimasi posterior dari kemungkinan normal dan gamma terbalik sebelum adalah:σ′ 2σ′2\sigma'^{2}σ2σ2\sigma^2 σ′2∼ IG ( α +n2, β+∑ni = 1(ysaya-μ)22)σ′2∼IG(α+n2,β+∑i=1n(yi−μ)22)\sigma'^{2}\sim\textrm{IG}\left(\alpha + \frac{n}{2}, \beta
Fungsi likelihood dari distribusi lognormal adalah: f(x;μ,σ)∝∏ni11σxiexp(−(lnxi−μ)22σ2)f(x;μ,σ)∝∏i1n1σxiexp(−(lnxi−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 ) dan Prioritas Jeffreys...
Saya punya pertanyaan tentang campuran prior konjugat. Saya belajar dan mengatakan campuran beberapa konjugasi beberapa kali ketika saya belajar bayesian. Saya bertanya-tanya mengapa teorema ini sangat penting, bagaimana kita akan menerapkannya ketika kita melakukan analisis Bayesian. Untuk lebih...
Apakah semua prior konjugasi harus berasal dari keluarga eksponensial? Jika tidak, keluarga apa yang diketahui memiliki / menghasilkan prior
Diberikan kemungkinan Gaussian untuk sampel seperti dengan sebagai ruang parameter dan , parameterisasi acak dari vektor rata-rata dan matriks kovarians.yyyp(y|θ)=N(y;μ(θ),Σ(θ))p(y|θ)=N(y;μ(θ),Σ(θ))p(y|\theta) =