yleiset-joukko tilastollisia tekniikoita voidaan jakaa useita toimintoja, joista monet ovat erityisen Bayes-versiot.
Bayes inferenceEdit
Bayes-päättely viittaa tilastollinen päättely, jossa epävarmuus päätelmiä on määrällisesti käyttäen todennäköisyys. Klassisessa frequentist-päättelyssä malliparametrit ja hypoteesit katsotaan kiinteiksi. Todennäköisyyksiä ei anneta parametreille tai hypoteeseille frequentist-päättelyssä., Esimerkiksi, se ei tee järkeä frequentist päättely suoraan määrittää todennäköisyys tapahtuma, joka tapahtuu vain kerran, kuten tulos seuraava flip oikeudenmukainen kolikko. Olisi kuitenkin järkevää todeta, että päiden osuus lähestyy puolta, kun kolikoiden volttien määrä kasvaa.
Tilastolliset mallit määritä joukko tilastollisia oletuksia ja prosesseja, jotka kuvaavat, miten näyte tiedot on luotu. Tilastollisissa malleissa on useita muuttujia, joita voidaan muuttaa., Kolikko voidaan esittää esimerkiksi Bernoullin jakauman näytteinä, jotka mallintavat kahta mahdollista lopputulosta. Bernoullin jakaumalla on yksi parametri, joka vastaa yhden tuloksen todennäköisyyttä, joka useimmissa tapauksissa on todennäköisyys laskeutua päihin. Hyvän mallin laatiminen datalle on Bayesilaisessa päättelyssä keskeistä. Useimmissa tapauksissa mallit vain likiarvioivat todellisen prosessin, eikä niissä saa ottaa huomioon tiettyjä tietoihin vaikuttavia tekijöitä. Bayesilaisessa päättelyssä todennäköisyydet voidaan määrittää malliparametreille. Parametrit voidaan esittää satunnaismuuttujina., Bayesilainen päättely käyttää Bayesin teoreemaa todennäköisyyksien päivittämiseen sen jälkeen, kun on saatu tai tiedossa lisää todisteita.
Tilastollinen modelingEdit
muotoilu tilastollisia malleja käyttäen Bayes tilastot on tunnistaa ominaisuus edellyttää erittely ennen jaot kaikki tuntemattomat parametrit. Todellakin, parametrit ennen jakaumat voivat itse olla ennen jakaumat, mikä hierarkkinen Bayes-mallinnus, tai ne voivat olla yhteydessä toisiinsa, mikä johtaa Bayes-verkot.,
Suunnittelu experimentsEdit
Bayes koesuunnittelu sisältää käsite nimeltään ’alaisena ennen uskomuksia’. Tässä lähestymistavassa käytetään sekventiaalianalyysitekniikoita sisällyttämään aiempien kokeiden tulokset seuraavan kokeen suunnitteluun. Tämä saavutetaan päivittämällä ”uskomuksia” käyttämällä aikaisempaa ja posteriorista jakautumista. Tämä mahdollistaa suunnittelun kokeiluja hyödyntää resursseja kaikentyyppisiä. Esimerkkinä tästä on monikätisen rosvon ongelma.,
Valmisteleva analyysi Bayes-modelsEdit
Valmisteleva analyysi Bayes-mallit on mukauttamista tai laajentamista valmisteleva tietojen analysointi lähestymistapa tarpeet ja erityispiirteet Bayes-mallinnus. Sanat kaki hilloa Diaconis:
Eksploratiivinen data-analyysi pyrkii paljastamaan rakenne, tai yksinkertainen kuvaukset tiedot. Katsomme numeroita tai kaavioita ja yritämme löytää kuvioita., Jatkamme johtaa ehdotti tausta tietoa, mielikuvitusta, kuvioita koettu, ja kokemukset muita tietoja, analyyseja,
päättely prosessi tuottaa taka-jakelu, joka on keskeinen rooli Bayes tilastot, yhdessä muiden jakeluiden kuten taka-ennustava jakauma ja ennen ennustava jakauma. Oikea visualisointi, analysointi, ja tulkinta nämä jakaumat on avain oikein vastata kysymyksiin, jotka motivoivat päättely prosessi.,pukeutunut lisäksi päätellä itse:
- Diagnoosit laadun päättely, tämä on tarpeen, kun käytetään numeerisia menetelmiä kuten Markovin ketju Monte Carlo-tekniikat
- Malli kritiikkiä, mukaan lukien arvioinnit sekä mallin oletukset ja mallin ennusteet
- Vertailu mallit, myös mallin valinta tai malli keskimäärin
- Valmistelu tuloksia tietylle yleisölle
Kaikki nämä tehtävät ovat osa Valmisteleva analyysi Bayes-mallien lähestymistapa ja onnistuneesti suorittaa heitä on keskeinen iteratiivinen ja interaktiivinen mallinnus prosessi., Nämä tehtävät vaativat sekä numeerisia että visuaalisia yhteenvetoja.