Brojesa modeļu vidējais svērums
Bayesian Model Averaging (BMA), formalizēts kā apmācība Hoeting, Madigan, Raftery un Volinsky 1999. gadā, risina modeļu nenoteiktību, vidējot visus ticamos modeļu specifikācijas, nevis izvēloties vienu labāko modeli. Katram kandidātm modelim tiek piešķirta posteriora varbūtība, kas atspoguļo, cik labi tas atbilst datiem, ņemot vērā prioritāti, un prognozes vai koeficientu aplēses veido kā svērtie vidējie visā modeļu telpā. Šī pieeja samazina novirzi un pārliecību, kas rodas, ja viens izvēlēts modelis tiek uzskatīts par patieso.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
Avoti
- Hoeting, J. A., Madigan, D., Raftery, A. E. & Volinsky, C. T. (1999). Bayesian Model Averaging: A Tutorial. Statistical Science, 14(4), 382–401. link ↗
- Zeugner, S. & Feldkircher, M. (2015). Bayesian Model Averaging Employing Fixed and Flexible Priors: The BMS Package for R. Journal of Statistical Software, 68(4), 1–37. DOI: 10.18637/jss.v068.i04 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Bayesian Model Averaging. ScholarGate. https://scholargate.app/lv/bayesian/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.
- Bayesiskā hierarhiskā modelēšanaBajesa metodes↔ compare
- Beijesiskā regresijaBajesa metodes↔ compare
- Elastic NetMašīnmācīšanās↔ compare
- LASSO regresijaMašīnmācīšanās↔ compare
- Mārkova ķēžu Montekarlo (MCMC)Bajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →