Bayesçi Çokterimli Lojistik Regresyon
Bayesian Multinomial Logistic Regression · Ayrıca şöyle bilinir: Bayesian polytomous logistic regression, Bayesian multinomial logit, Bayesian softmax regression, Bayesian nominal logistic regression
Bayesçi çokterimli lojistik regresyon, regresyon katsayıları üzerine önsel dağılımlar yerleştirerek ve Bayes teoremi aracılığıyla verilerle güncelleyerek üç veya daha fazla sıralanmamış kategoriye sahip nominal bir sonucu modeller. Sonuç, her gözlem için kategori olasılıkları üzerinde tam bir sonsal dağılımdır, bu da ilksel dağılımlar aracılığıyla ilkeli belirsizlik ölçümünü ve düzenlileştirmeyi sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sonuç üç veya daha fazla nominal (sıralanmamış) kategoriye sahip olduğunda ve özellikle maksimum olabilirlik tahminlerinin kararsız olduğu veya kategorilerin seyrek olduğu küçük veya orta ölçekli örneklemlerde ilkeli belirsizlik ölçümüne ihtiyaç duyduğunuzda Bayesçi çokterimli lojistik regresyonu kullanın. Uzman önsel bilgisinin modele bilgi vermesi gerektiğinde veya önsel aracılığıyla düzenlileştirmenin sonradan ceza uygulamasına tercih edildiği durumlarda değerlidir. Sonuç kategorileri sıralıysa (bunun yerine Bayesçi sıralı regresyon kullanın), kategori sayısı çok fazlaysa ve hesaplama maliyeti engelleyicise veya hızlı bir keşifsel analiz yeterliyse ve dağılımsal çıkarım gereksizse bundan kaçının.
Güçlü yönler & sınırlılıklar
- Katsayılar ve sınıf olasılıkları üzerinde tam sonsal dağılımlar üretir, asimptotik yaklaşımlara güvenmek yerine kalibre edilmiş güven aralıkları sağlar.
- Önsel dağılımlar, küçük örneklemlerde veya seyrek kategori sayılarında aşırı uyumu azaltarak ilkeli düzenleyiciler olarak işlev görür.
- Önsel aracılığıyla sınıf dengesizliğini, geçici yeniden örnekleme stratejilerine gerek kalmadan doğal olarak ele alır.
- Sonsal öngörücü dağılımlar, parametre belirsizliğini tahminlere yayarak dürüst olasılık tahminleri verir.
- Bayes faktörleri veya WAIC/LOO-CV bilgi kriterleri aracılığıyla tutarlı model karşılaştırmasını destekler.
- Hesaplama açısından yoğundur: MCMC örneklemesi büyük veri kümeleri veya çok sayıda kategori ile kötü ölçeklenir; varyasyonel yaklaşımlar hız için doğruluktan ödün verir.
- Sonuçlar, veri seyrek olduğunda önsel belirlemeye duyarlıdır; kötü seçilmiş önsel dağılımlar çıkarımı domine edebilir.
- Yazılım uygulaması (Stan, brms, PyMC), standart maksimum olabilirlik paketlerinden daha fazla uzmanlık gerektirir.
- Tanımlanabilirlik, bir referans kategorisinin sabitlenmesini gerektirir; katsayıların yorumlanması bu seçime göreceli olarak yapılır.
- MCMC yakınsaması dikkatlice teşhis edilmelidir; yakınsamama, sessizce yanlış sonsal dağılımlara yol açar.
SSS
Bayesçi çokterimli lojistik regresyon, standart (sıkısal) çokterimli lojistik regresyondan nasıl farklıdır?
Sıkısal versiyon, nokta tahminleri elde etmek için olabilirlik fonksiyonunu maksimize eder ve çıkarım için asimptotik standart hataları kullanır. Bayesçi versiyon, katsayılar üzerine önsel dağılımlar yerleştirir ve tam bir sonsal dağılım üretir, bu da küçük örneklemlerde geçerli olan güven aralıkları verir ve önsel bilgiyi veya düzenlileştirmeyi açıkça içerir.
Regresyon katsayıları için hangi önsel dağılımı kullanmalıyım?
Gelman ve diğerleri ile Stan belgelerinde önerildiği gibi, standartlaştırılmış öngörüciler üzerinde N(0, 2.5) gibi zayıf bilgilendirici bir normal önsel dağılım, güvenli bir varsayılan değerdir. Katsayıları aşırı derecede kısıtlamadan hafif bir küçülme sağlar. Alan bilgisi önseli sıkılaştırabilir veya kaydırabilir.
Bir kategori çok nadir olduğunda bu modeli kullanabilir miyim?
Evet, ve bu onun avantajlarından biridir. Önsel, nadir kategoriler için düzenlileştirme sağlar, maksimum olabilirlik tarafından güvenilir bir şekilde hesaplanamayan tahminleri stabilize eder. Ancak, aşırı nadir kategoriler (yaklaşık 5 gözlemden az) hala gerçek belirsizliği gösteren geniş sonsal aralıklar üretebilir.
Bayesçi bir çerçevede model uyumunu nasıl değerlendiririm?
Modelden simüle edilen verileri gözlemlenen verilerle karşılaştırmak için sonsal öngörücü kontrollerini kullanın ve model karşılaştırması için tekli dışı çapraz doğrulama (LOO-CV) veya WAIC kullanın. Bu tanılar, sıkısal ki-kare uyum iyiliği testlerinin yerini alır.
Bu modeli hangi yazılımla kurabilirim?
Stan (rstan veya cmdstanr R paketleri aracılığıyla veya Python'da cmdstanpy), brms (R) ve PyMC (Python) hepsi MCMC örneklemesi ile Bayesçi çokterimli lojistik regresyonu destekler. brms en basit formül tabanlı arayüzü sağlar; Stan ve PyMC maksimum esneklik sunar.
Kaynaklar
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
- Agresti, A. (2002). Categorical Data Analysis (2nd ed.). Wiley-Interscience. ISBN: 978-0471360933
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Multinomial Logistic Regression. ScholarGate. https://scholargate.app/tr/statistics/bayesian-multinomial-logistic-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Genelleştirilmiş Doğrusal Modelİstatistik↔ karşılaştır
- Bayesian Lojistik RegresyonBayesçi↔ karşılaştır
- Bayesci Sıralı Lojistik Regresyonİstatistik↔ karşılaştır
- Çokterimli Lojistik Regresyonİstatistik↔ karşılaştır
- Sıralı Lojistik Regresyonİstatistik↔ karşılaştır