标签为“模型比较”的文章
模型平均
- 21 八月 2024
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。
模型平均
- 21 八月 2024
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。
模型平均
- 21 八月 2024
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。
模型平均
- 21 八月 2024
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。
脆弱性和生存回归模型
- 21 十一月 2023
指令“include”：文件未找到：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/build/jupyter_execute/build/jupyter_execute/extra_installs.md’
脆弱性和生存回归模型
- 21 十一月 2023
指令“include”：未找到文件：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/build/jupyter_execute/extra_installs.md’
脆弱性和生存回归模型
- 21 十一月 2023
指令“include”：未找到文件：‘/Users/cw/baidu/code/fin_tool/github/pymc-examples/examples/build/jupyter_execute/extra_installs.md’
贝叶斯因子与边际似然
- 10 一月 2023
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。
贝叶斯因子与边际似然
- 10 一月 2023
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。
贝叶斯因子与边际似然
- 10 一月 2023
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。
贝叶斯因子与边际似然
- 10 一月 2023
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。