Osvaldo Martin 的文章

模型平均

当面对多个模型时，我们有许多选择。其中之一是进行模型选择，如PyMC示例模型比较和GLM: 模型选择所示，通常在决定保留哪个模型时，进行后验预测检查是一个好主意。丢弃所有模型只保留一个模型相当于断言，在评估的模型中，有一个模型是正确的（在某些标准下），概率为1，其余的都是错误的。在大多数情况下，这将是一种过度陈述，忽略了我们在模型中的不确定性。这有点类似于计算完整的后验分布，然后只保留一个点估计，如后验均值；我们可能会变得过于自信，认为自己真正了解的东西。您还可以浏览blog/tag/model-comparison标签以查找相关帖子。

阅读更多 ...

模型平均

当面对多个模型时，我们有许多选择。其中之一是进行模型选择，如PyMC示例模型比较和GLM: 模型选择所示，通常在决定保留哪个模型时，进行后验预测检查是一个好主意。丢弃所有模型只保留一个模型相当于断言，在评估的模型中，有一个模型是正确的（在某些标准下），概率为1，其余的都是错误的。在大多数情况下，这将是一种过度陈述，忽略了我们在模型中的不确定性。这有点类似于计算完整的后验分布，然后只保留一个点估计，如后验均值；我们可能会变得过于自信，认为自己真正了解的东西。您还可以浏览blog/tag/model-comparison标签以查找相关帖子。

阅读更多...

模型平均

当面对多个模型时，我们有许多选择。其中之一是进行模型选择，如PyMC示例模型比较和GLM: 模型选择所示，通常在决定保留哪个模型时，进行后验预测检查是一个好主意。丢弃所有模型只保留一个模型相当于断言，在评估的模型中，有一个模型是正确的（在某些标准下），概率为1，其余的都是错误的。在大多数情况下，这将是一种过度陈述，忽略了我们在模型中的不确定性。这有点类似于计算完整的后验分布，然后只保留一个点估计，如后验均值；我们可能会变得过于自信，认为自己真正了解的东西。您还可以浏览blog/tag/model-comparison标签以查找相关帖子。

阅读更多...

模型平均

当面对多个模型时，我们有许多选择。其中之一是进行模型选择，如PyMC示例模型比较和GLM: 模型选择所示，通常在决定保留哪个模型时，进行后验预测检查是一个好主意。丢弃所有模型只保留一个模型相当于断言，在评估的模型中，有一个模型是正确的（在某些标准下），概率为1，其余的都是错误的。在大多数情况下，这将是一种过度陈述，忽略了我们在模型中的不确定性。这有点类似于计算完整的后验分布，然后只保留一个点估计，如后验均值；我们可能会变得过于自信，认为自己真正了解的东西。您还可以浏览blog/tag/model-comparison标签以查找相关帖子。

阅读更多...

分类回归

在这个例子中，我们将对具有两个以上类别的输出进行建模。

阅读更多...

分类回归

在这个例子中，我们将对具有两个以上类别的输出进行建模。

阅读更多 ...

分类回归

在这个例子中，我们将对具有两个以上类别的输出进行建模。

阅读更多 ...

分类回归

在这个例子中，我们将对具有两个以上类别的输出进行建模。

阅读更多 ...

使用BART进行分位数回归

通常在进行回归时，我们会为某个分布的条件均值建模。常见的情况包括为连续无界响应的正态分布建模，为计数数据的泊松分布建模等。

阅读更多 ...

使用BART进行分位数回归

通常在进行回归时，我们会为某个分布的条件均值建模。常见的情况包括为连续无界响应的正态分布建模，为计数数据的泊松分布建模等。

阅读更多 ...

使用BART进行分位数回归

通常在进行回归时，我们会为某个分布的条件均值建模。常见的情况包括为连续无界响应的正态分布建模，为计数数据的泊松分布建模等。

阅读更多 ...

使用BART进行分位数回归

通常在进行回归时，我们会为某个分布的条件均值建模。常见的情况包括为连续无界响应的正态分布建模，为计数数据的泊松分布建模等。

阅读更多 ...

贝叶斯因子与边际似然

比较模型的“贝叶斯方法”是计算每个模型的边际似然 \(p(y \mid M_k)\)，即给定模型\(M_k\)时观测数据\(y\)的概率。这个量，边际似然，只是贝叶斯定理的归一化常数。如果我们写出贝叶斯定理并明确所有推断都是模型依赖的，我们就可以看到这一点。

阅读更多 ...

贝叶斯因子与边际似然

比较模型的“贝叶斯方法”是计算每个模型的边际似然 \(p(y \mid M_k)\)，即给定模型\(M_k\)时观测数据\(y\)的概率。这个量，边际似然，只是贝叶斯定理的归一化常数。如果我们写出贝叶斯定理并明确所有推断都是模型依赖的，我们就可以看到这一点。

阅读更多 ...

贝叶斯因子与边际似然

比较模型的“贝叶斯方法”是计算每个模型的边际似然 \(p(y \mid M_k)\)，即给定模型\(M_k\)时观测数据\(y\)的概率。这个量，边际似然，只是贝叶斯定理的归一化常数。如果我们写出贝叶斯定理并明确所有推断都是模型依赖的，我们就可以看到这一点。

阅读更多...

贝叶斯因子与边际似然

比较模型的“贝叶斯方法”是计算每个模型的边际似然 \(p(y \mid M_k)\)，即给定模型\(M_k\)时观测数据\(y\)的概率。这个量，边际似然，只是贝叶斯定理的归一化常数。如果我们写出贝叶斯定理并明确所有推断都是模型依赖的，我们就可以看到这一点。

阅读更多...

贝叶斯加性回归树：介绍

贝叶斯加性回归树（BART）是一种非参数回归方法。如果我们有一些协变量\(X\)，并且我们想用它们来建模\(Y\)，一个BART模型（省略先验）可以表示为：

阅读更多...

贝叶斯加性回归树：介绍

贝叶斯加性回归树（BART）是一种非参数回归方法。如果我们有一些协变量\(X\)，并且我们想用它们来建模\(Y\)，一个BART模型（省略先验）可以表示为：

阅读更多 ...

贝叶斯加性回归树：介绍

贝叶斯加性回归树（BART）是一种非参数回归方法。如果我们有一些协变量\(X\)，并且我们想用它们来建模\(Y\)，一个BART模型（省略先验）可以表示为：

阅读更多...

贝叶斯加性回归树：介绍

贝叶斯加性回归树（BART）是一种非参数回归方法。如果我们有一些协变量\(X\)，并且我们想用它们来建模\(Y\)，一个BART模型（省略先验）可以表示为：

阅读更多 ...