Çok Boyutlu Ölçekleme (BMDS) için Bayesci Yaklaşım
Bayesian Multidimensional Scaling · Ayrıca şöyle bilinir: Bayesian MDS, BMDS, probabilistic MDS, Bayesian proximity scaling
Bayesci Çok Boyutlu Ölçekleme (BMDS), nesneleri, nesneler arası mesafelerin gözlemlenen farklılıklarını yeniden üretecek şekilde düşük boyutlu bir gizli uzaya yerleştirir; bu sırada tam bir Bayesci işlem, koordinatlardaki belirsizliği ölçer, eksik yakınlıkları doğal olarak ele alır ve boyut sayısını sezgisel inceleme yerine model karşılaştırması yoluyla seçer.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir nesne kümesi arasındaki ikili farklılıklar veya benzerlikler tablonuz olduğunda — uyaranlar, markalar, genler, ülkeler — ve tek bir nokta-tahmin konfigürasyonu yerine dürüst belirsizlik tahminleriyle düşük boyutlu görsel bir harita istediğinizde Bayesci MDS'yi kullanın. Özellikle yakınlık verileri eksik olduğunda (eksik çiftler), örneklem boyutları klasik stres minimizasyonunun kararsız çözümler verdiği kadar küçük olduğunda veya öznel eğim incelemesi yerine ilkeli boyut seçimine ihtiyaç duyduğunuzda değerlidir. Yakınlık matrisi yaklaşımlar olmadan çok büyükse (yüzlerce nesne), çünkü tam konfigürasyon matrisleri üzerinden MCMC hesaplama açısından ağırdır. Ayrıca, farklılıkların metrik olmayan veya sıralı olduğu biliniyorsa ve metrik olmayan MDS varsayımı daha uygunsa bundan kaçının — standart BMDS, Öklid mesafeleri etrafındaki Gauss gürültüsünü varsayar.
Güçlü yönler & sınırlılıklar
- Gizli koordinatlar üzerinde tam sonsal belirsizlik sağlar, böylece haritadaki nesnelerin etrafındaki güven bölgeleri görselleştirilebilir ve karşılaştırılabilir.
- Eksik farklılıkları MCMC sırasında gözlemlenmeyen çiftler üzerinden marjinalleştirerek doğal olarak ele alır.
- Boyut sayısını Bayes faktörleri veya BIC aracılığıyla nesnel olarak seçer, öznel eğim grafiği yargısı gerektirmez.
- Konfigürasyon ölçeği ve gürültü seviyesi hakkında ön bilgileri içerir, bu da özellikle seyrek verilerle kullanışlıdır.
- Olasılıksal mesafe tahminleri üretir, iki nesnenin gizli uzayda güvenilir bir şekilde ayrılıp ayrılmadığına dair resmi testlere olanak tanır.
- Büyük yakınlık matrisleri için hesaplama açısından pahalıdır; n koordinat vektörü üzerinden MCMC, iterasyon başına kabaca O(n^2) ölçeklenir.
- Konfigürasyonun dönme, yansıtma ve permütasyon değişmezliği nedeniyle sonsal çok modludur, bu da MCMC çizimleri arasında işlem sonrası hizalama (Procrustes döndürme) gerektirir.
- Öklid mesafeleri etrafındaki Gauss gürültüsünü varsayar, bu sıralı veya yoğun çarpık farklılıklar için uygun olmayabilir.
- Sonuçların güvenilir olabilmesi için MCMC ayarlama parametrelerinin dikkatli seçilmesini ve yakınsama teşhislerini gerektirir.
- Standart istatistiksel yazılımlarda klasik MDS'den daha az yaygın olarak uygulanmıştır, bu da rutin uygulamalı kullanımın engelini yükseltir.
SSS
Bayesci MDS, klasik metrik MDS'den nasıl farklıdır?
Klasik MDS, tek bir nokta-tahmin konfigürasyonu elde etmek için bir en küçük kareler stres kriterini en aza indirir, ardından bir eğim veya stres grafiğinden gözle boyutları seçer. Bayesci MDS, aynı geometri üzerine olasılıksal bir model yerleştirir, konfigürasyonlar üzerindeki tam sonsal dağılımdan örnekler çeker ve Bayes faktörleri aracılığıyla boyutları seçer — klasik MDS'nin eksik olduğu belirsizlik ölçümü ve nesnel boyut seçimi sağlar.
Dönme tanımlanamazlığını nasıl ele alırım?
Olasılık, koordinat matrisinin döndürmeler, yansımalar ve ötelemeler karşısında değişmezdir. Pratikte, MCMC çizimleri, sonsal özetleri veya güven aralıklarını hesaplamadan önce Procrustes üst üste bindirme kullanılarak ortak bir referans çerçevesine — tipik olarak sonsal ortalamaya — hizalanmalıdır.
Bayesci MDS eksik farklılıkları ele alabilir mi?
Evet. Eksik çiftler olasılığa dahil edilmez, bu nedenle katkıları MCMC sırasında otomatik olarak marjinalleştirilir. Bu, tipik olarak tam yakınlık matrisleri veya atama gerektiren klasik MDS'ye göre gerçek bir avantajdır.
Boyut sayısını nasıl seçerim?
Modeli p = 1, 2, 3, ... boyutlar için ayrı ayrı uydurun ve Bayes faktörleri veya BIC ile karşılaştırın. En yüksek marjinal olasılığa (veya en düşük BIC'ye) sahip boyut tercih edilir. Klasik MDS'deki eğim grafiği dirseğinin aksine, bu seçim kriteri resmi ve tekrarlanabilirdir.
Bayesci MDS, olasılıksal veya Gauss-süreçli MDS ile aynı mıdır?
İlgili ancak farklıdır. Bayesci MDS, özellikle Gauss gürültü modeli ve MCMC çıkarımı ile Oh ve Raftery (2001) çerçevesini ifade eder. Gauss-süreçli gizli değişken modelleri (GP-LVM) de nesneleri bir gizli uzaya gömer, ancak gizli koordinatlardan gözlemlenen koordinatlara eşlemeye bir GP önseli yerleştirir — bu, yakınlık tabloları yerine yüksek boyutlu özellik uzaylarına uygun farklı bir üretken yapıdır.
Kaynaklar
- Oh, M.-S. & Raftery, A. E. (2001). Bayesian multidimensional scaling and choice of dimension. Journal of the American Statistical Association, 96(455), 1031–1044. DOI: 10.1198/016214501753208690 ↗
- Multidimensional scaling. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Multidimensional Scaling. ScholarGate. https://scholargate.app/tr/statistics/bayesian-multidimensional-scaling
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Kümeleme Analiziİstatistik↔ karşılaştır
- Bayesci Onaylayıcı Faktör Analizi (BCFA)Psikometri↔ karşılaştır
- Bayesci Keşifsel Faktör Analizi (BEFA)Psikometri↔ karşılaştır
- Bayesci Gizli Sınıf Analizi (BLCA)İstatistik↔ karşılaştır
- Bayesci̇l Temel Bileşen Analizi (BPCA)İstatistik↔ karşılaştır
- Çok Boyutlu Ölçekleme (ÇBÖ)İstatistik↔ karşılaştır