Dinamiskā Bajesas modeļu vidējo vērtību aprēķināšana
Dinamiskā Bajesas modeļu vidējo vērtību aprēķināšana (DMA) paplašina standarta Bajesas modeļu vidējo vērtību aprēķināšanu gadījumos, kad labākais prognozēšanas modelis var mainīties laika gaitā. Tā uztur varbūtības sadalījumu pār konkurējošu modeļu kopumu un secīgi atjaunina šo sadalījumu, saņemot jaunus novērojumus, ļaujot modeļu svariem mainīties, nevis palikt fiksētiem visā paraugā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Dynamic Bayesian Model Averaging. ScholarGate. https://scholargate.app/lv/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.
- Brojesa modeļu vidējais svērumsBajesa metodes↔ compare
- Dinamiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Dinamiskais beijes tīklsBajesa metodes↔ compare
- Dinamiskā variācijas izskaidrošanaBajesa metodes↔ compare
- Kalman FilterBajesa metodes↔ compare
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →