Dynamické bayesovské zprůměrování modelů
Dynamické bayesovské zprůměrování modelů (DMA) rozšiřuje standardní bayesovské zprůměrování modelů na situace, kdy se nejlepší prediktivní model může v čase měnit. Udržuje pravděpodobnostní rozdělení nad množinou konkurenčních modelů a sekvenčně toto rozdělení aktualizuje s příchodem nových pozorování, což umožňuje, aby se váhy modelů vyvíjely, namísto aby zůstaly fixní napříč celým vzorkem.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Raftery, A. E., Karny, M., & Ettler, P. (2010). Online prediction under model uncertainty via dynamic model averaging: Application to a cold rolling mill. Technometrics, 52(1), 52-66. DOI: 10.1198/TECH.2009.08104 ↗
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382-401. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Dynamic Bayesian Model Averaging. ScholarGate. https://scholargate.app/cs/bayesian/dynamic-bayesian-model-averaging
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesovské průměrování modelůBayesovská statistika↔ compare
- Dynamická Bayesovská inferenceBayesovská statistika↔ compare
- Dynamická Bayesovská síťBayesovská statistika↔ compare
- Dynamická variační inferenceBayesovská statistika↔ compare
- Kalmanův filtrBayesovská statistika↔ compare
- Sekvenční Monte CarloBayesovská statistika↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →