คำถามติดแท็ก bayes

ในฐานะที่เป็นหนึ่งในความสนใจในสถิติที่แตกต่าง"บ่อย" และ "Bayesian"ในไม่ช้าก็กลายเป็นเรื่องธรรมดา (และผู้ที่ยังไม่ได้อ่านสัญญาณและเสียงของเนทซิลเวอร์ ? ในหลักสูตรการพูดคุยและการแนะนำมุมมองเป็นประจำอย่างท่วมท้น ( MLE , ค่า ) แต่มีแนวโน้มที่จะมีเวลาเพียงเล็กน้อยในการชื่นชมสูตร Bayes และสัมผัสกับแนวคิดของการกระจายก่อนหน้านี้พีpp น้ำเสียงที่ใช้เพื่อหารือเกี่ยวกับสถิติของ Bayesian แกว่งไปมาระหว่างการให้ความเคารพต่อการสนับสนุนแนวคิดและคำใบ้ของความสงสัยเกี่ยวกับช่องว่างระหว่างวัตถุประสงค์อันสูงส่งและความไม่ลงรอยกันในการเลือกการแจกแจงก่อนหน้า ประโยคเช่น "ถ้าคุณเป็น Bayesian ฮาร์ดคอร์ ... " มาก คำถามคือใครคือชาวเบย์ในปัจจุบัน? พวกเขาบางสถาบันการศึกษาที่เลือกที่คุณรู้ว่าถ้าคุณไปที่นั่นคุณจะกลายเป็นเบย์? ถ้าเป็นเช่นนั้นพวกเขาต้องการเป็นพิเศษหรือไม่? เราหมายถึงนักสถิติและนักคณิตศาสตร์ที่ได้รับการเคารพเพียงไม่กี่คนและหากเป็นเช่นนั้น พวกมันมีอยู่จริงหรือเปล่าเช่น "Bayesians" บริสุทธิ์เหล่านี้หรือไม่? พวกเขาจะยอมรับฉลากอย่างมีความสุขหรือไม่? มันเป็นความแตกต่างที่ประจบเสมอ? พวกเขาเป็นนักคณิตศาสตร์ที่มีสไลด์แปลก ๆ ในการประชุมปราศจากค่าใด ๆและช่วงความเชื่อมั่นหรือไม่พีpp มีโพรงจำนวนเท่าใดที่เป็น "Bayesian" เราหมายถึงนักสถิติส่วนน้อยหรือไม่? หรือ Bayesian-ism ปัจจุบันมีแอปพลิเคชันการเรียนรู้ของเครื่อง? ... หรือมากกว่านั้นคือสถิติแบบเบย์ไม่ได้เป็นสาขาวิชาสถิติมากนัก แต่เป็นขบวนการญาณวิทยาที่ครอบคลุมการคำนวณความน่าจะเป็นในปรัชญาของวิทยาศาสตร์? ในเรื่องนี้นักวิทยาศาสตร์ทุกคนจะเป็นแบบเบย์ในใจ ... แต่จะไม่มีสิ่งใดในฐานะนักสถิติแบบเบย์ที่บริสุทธิ์ซึ่งไม่สามารถผ่านไปได้กับเทคนิคที่ใช้บ่อย ๆ …

92 bayesian  mathematical-statistics  inference  bayes  frequentist 

ฉันใช้คาเร็ตเพื่อรันฟอเรสต์แบบสุ่มที่ผ่านการตรวจสอบความถูกต้องข้ามชุดข้อมูล ตัวแปร Y เป็นปัจจัย ไม่มีชุดข้อมูลของ NaN, Inf's หรือ NA ในชุดข้อมูลของฉัน อย่างไรก็ตามเมื่อใช้ป่าสุ่มฉันได้รับ Error in randomForest.default(m, y, ...) : NA/NaN/Inf in foreign function call (arg 1) In addition: There were 28 warnings (use warnings() to see them) Warning messages: 1: In data.matrix(x) : NAs introduced by coercion 2: In data.matrix(x) : NAs …

29 r  random-forest  caret  regression  prediction  fitting  social-science  poisson-distribution  distributions  characteristic-function  bayesian  prior  regression  normal-distribution  interaction  nonparametric  skewness  svm  standard-deviation  standard-error  regression-coefficients  igraph  natural-language  word2vec  word-embeddings  regression  machine-learning  sampling  r  regression  machine-learning  random-forest  ensemble  sampling  unbiased-estimator  proof  estimators  mse  probability  conditional-probability  bayes  anova  missing-data  neural-networks  recommender-system  r  confidence-interval  sample  multiple-imputation  r  time-series  forecasting  mase 

Bayes theorem ไป P(model|data)=P(model)×P(data|model)P(data)P(model|data)=P(model)×P(data|model)P(data) P(\textrm{model}|\textrm{data}) = \frac{P(\textrm{model}) \times P(\textrm{data}|\textrm{model})}{P(\textrm{data})} ทั้งหมดนี้เป็นเรื่องปกติ แต่ฉันได้อ่านที่ไหนสักแห่ง: โดยพื้นฐานแล้ว P (data) คืออะไรนอกจากค่าคงที่ normalizing คือค่าคงที่ที่ทำให้ความหนาแน่นของด้านหลังรวมเข้าเป็นหนึ่งเดียว เรารู้ว่า0≤P(model)≤10≤P(model)≤10 \leq P(\textrm{model}) \leq 1และ0≤P(data|model)≤10≤P(data|model)≤1 0 \leq P(\textrm{data}|\textrm{model}) \leq 1 1 ดังนั้นP(model)×P(data|model)P(model)×P(data|model)P(\textrm{model}) \times P(\textrm{data}|\textrm{model})ต้องอยู่ระหว่าง 0 ถึง 1 เช่นกัน ในกรณีเช่นนี้เหตุใดเราจึงต้องมีค่าคงที่ normalizing เพื่อทำให้ส่วนหลังเข้ากันเป็นหนึ่งเดียว

20 probability  bayesian  conditional-probability  bayes 

บทความThe Odds, อัปเดตอย่างต่อเนื่องกล่าวถึงเรื่องราวของชาวประมงที่ลองไอส์แลนด์ที่แท้จริงเป็นหนี้ชีวิตของเขาเพื่อสถิติเบย์ นี่เป็นเวอร์ชั่นย่อ: มีชาวประมงสองคนอยู่บนเรือกลางดึก ในขณะที่คนหนึ่งหลับไปอีกคนหนึ่งก็ตกลงไปในมหาสมุทร เรือยังคงหมุนรอบอัตโนมัติตลอดทั้งคืนจนกระทั่งในที่สุดชายคนแรกก็ตื่นขึ้นมาและแจ้งให้หน่วยยามฝั่งทราบ Coast Guard ใช้ชิ้นส่วนของซอฟต์แวร์ที่เรียกว่าSAROPS (ระบบค้นหาและกู้ภัยที่เหมาะสมที่สุดในการวางแผน)เพื่อค้นหาเขาทันเวลาเนื่องจากเขาเป็นคนที่มีอุณหภูมิและมีพลังงานเหลือพอที่จะลอยได้ นี่คือรุ่นยาว: Speck In The Sea ฉันต้องการทราบเพิ่มเติมเกี่ยวกับวิธีการใช้ทฤษฎีบทของเบย์ที่นี่จริง ๆ ฉันพบข้อมูลเกี่ยวกับซอฟต์แวร์ SAROPS เพียงเล็กน้อยโดยใช้ Google โปรแกรมจำลอง SAROPS ส่วนประกอบของเครื่องจำลองจะพิจารณาข้อมูลที่ทันเวลาเช่นกระแสน้ำในมหาสมุทรลม ฯลฯ และจำลองเส้นทางล่องลอยที่เป็นไปได้หลายพันเส้นทาง จากเส้นทางดริฟท์เหล่านั้นจะสร้างแผนที่การกระจายความน่าจะเป็น โปรดทราบว่ากราฟิกต่อไปนี้ไม่ได้อ้างถึงกรณีของชาวประมงที่หายไปที่ฉันกล่าวถึงข้างต้น แต่เป็นตัวอย่างของเล่นที่นำมาจากงานนำเสนอนี้ Probability Map 1 (สีแดงแสดงถึงความน่าจะเป็นสูงสุด; สีน้ำเงินต่ำสุด) สังเกตวงกลมที่เป็นตำแหน่งเริ่มต้น Probability Map 2 - เวลาผ่านไปแล้ว โปรดทราบว่าแผนที่ความน่าจะเป็นกลายเป็นหลายรูปแบบ นั่นเป็นเพราะในตัวอย่างนี้มีการพิจารณาหลายสถานการณ์: บุคคลกำลังลอยอยู่ในน้ำ - โหมดบนกลาง บุคคลนั้นอยู่ในแพชูชีพ (ได้รับผลกระทบจากลมเหนือมากขึ้น) - โหมด …

19 probability  bayesian  posterior  bayes 

ฉันคิดว่าวิธีที่ดีในการจำสูตรคือคิดถึงสูตรเช่นนี้: ความน่าจะเป็นที่เหตุการณ์บางเหตุการณ์ A มีผลลัพธ์เฉพาะเมื่อผลลัพธ์ของเหตุการณ์ B อิสระ = ความน่าจะเป็นของผลลัพธ์ทั้งสองที่เกิดขึ้นพร้อมกัน / สิ่งที่เราพูดถึงความน่าจะเป็นของเหตุการณ์ A ผลลัพธ์ที่ต้องการคือถ้าเราไม่รู้ผลลัพธ์ของเหตุการณ์ B เป็นตัวอย่างให้พิจารณาการทดสอบโรค: หากเรามีผู้ป่วยที่ทดสอบผลบวกต่อโรคและเรารู้ว่า: 40% ของผู้ป่วยที่ทดสอบเป็นบวกในการทดสอบของเรา 60% ของคนทุกคนมีโรคนี้ และ 26% ของทุกคนผ่านการทดสอบเชิงบวกสำหรับโรคนี้; จากนั้นจะเป็นดังนี้: 1) 24% ของผู้คนทั้งหมดที่เราทดสอบตัวอย่างเป็นบวกและมีโรคความหมาย 24 จาก 26 คนที่ทดสอบในเชิงบวกมีโรค ดังนั้น 2) มีโอกาส 92.3% ที่ผู้ป่วยรายนี้มีโรค

15 bayesian  bayes 

ฉันไม่เข้าใจว่าสมการนี้มาจากอะไร P(I|M1∩M2)≤P(I)P(I′)⋅P(M1|I)P(M2|I)P(M1|I′)P(M2|I′)P(I|M1∩M2)≤P(I)P(I′)⋅P(M1|I)P(M2|I)P(M1|I′)P(M2|I′)P(I|M_{1}\cap M_{2}) \leq \frac{P(I)}{P(I')}\cdot \frac{P(M_{1}|I)P(M_{2}|I)}{P(M_{1}|I')P(M_{2}|I')} สมการนี้มาจากบทความ "Trial by Probability" ซึ่งเป็นกรณีตัวอย่างของ OJ Simpson ซึ่งเป็นปัญหาตัวอย่าง จำเลยอยู่ระหว่างการพิจารณาคดีฆาตกรรมสองครั้งและมีหลักฐานสองประการแนะนำเขา M 2ฉันฉัน′M1M1M_{1}เป็นเหตุการณ์ที่เลือดของจำเลยตรงกับหยดเลือดที่พบในที่เกิดเหตุ เป็นเหตุการณ์ที่เลือดของเหยื่อจับคู่กับถุงเท้าของจำเลย สมมติว่ามีความผิดการเกิดขึ้นของหลักฐานหนึ่งเพิ่มความน่าจะเป็นของคนอื่น เป็นเหตุการณ์ที่จำเลยเป็นผู้บริสุทธิ์ในขณะที่เป็นเมื่อเขามีความผิดM2M2M_{2}IIII′I′I' เรากำลังพยายามที่จะทำให้เพดานของความน่าจะเป็นที่จำเลยเป็นผู้บริสุทธิ์ที่ได้รับหลักฐานทั้งสอง ได้รับค่าตัวแปรบางตัว แต่สิ่งที่ฉันสนใจคือวิธีที่ได้มาของสมการ ฉันพยายาม แต่ไม่มีที่ไหนเลย ใช่ฉันได้ตรวจสอบ 'คำถามที่อาจมีคำตอบของคุณแล้ว'

13 bayesian  conditional-probability  bayes 

ความสัมพันธ์ระหว่างการวิเคราะห์จำแนกเชิงเส้นและกฎเบย์คืออะไร? ฉันเข้าใจว่า LDA ถูกใช้ในการจัดหมวดหมู่โดยพยายามลดอัตราส่วนความแปรปรวนภายในกลุ่มและระหว่างความแปรปรวนกลุ่ม แต่ฉันไม่ทราบว่ากฎของ Bayes ใช้งานอย่างไร

12 classification  discriminant-analysis  bayes 

นี่คือประวัติศาสตร์ของคำถามวิทยาศาสตร์มากกว่านี้ แต่ฉันหวังว่ามันจะอยู่ในหัวข้อที่นี่ ฉันได้อ่านว่าโทมัสเบย์สามารถค้นพบทฤษฎีบทของเบย์สำหรับกรณีพิเศษของชุดยูนิฟอร์มมาก่อนเท่านั้นและถึงอย่างนั้นเขาก็ต้องดิ้นรนกับมัน เมื่อพิจารณาว่าทฤษฎีบทของนายพลเบย์นั้นสำคัญเพียงใดในการรักษาที่ทันสมัยทำไมมันถึงท้าทายสำหรับเบย์และนักคณิตศาสตร์คนอื่น ๆ ในเวลานั้น? สำหรับการเปรียบเทียบPhilosophiæ Naturalis Principia Principia Mathematica ของ Isaac Newton ได้รับการตีพิมพ์ 36 ปีก่อนงานหลักของ Bayes ซึ่งตีพิมพ์ในเชิงต้อ

12 bayesian  bayes  history 

จะถือว่าเป็นกรณีที่เหมาะที่โครงสร้างความน่าจะเป็นพื้นฐานที่เป็นที่รู้จักกันอย่างสมบูรณ์แบบหมวดหมู่ เหตุใดจึงใช้ตัวจําแนกเบส์เพื่อให้ได้ประสิทธิภาพที่ดีที่สุดที่สามารถทำได้ หลักฐาน / คำอธิบายอย่างเป็นทางการสำหรับสิ่งนี้คืออะไร? เนื่องจากเราใช้ตัวจําแนกเบส์เป็นเกณฑ์มาตรฐานเพื่อเปรียบเทียบประสิทธิภาพของตัวจําแนกอื่น ๆ ทั้งหมด

11 probability  classification  bayesian  bayes 

ฉันได้อ่าน Wagenmakers (2007) วิธีการแก้ปัญหาการปฏิบัติเพื่อให้ปัญหาที่แพร่หลายของค่าพี ฉันรู้สึกทึ่งกับการแปลงค่า BIC ให้เป็นปัจจัยและความน่าจะเป็นของเบย์ อย่างไรก็ตามจนถึงตอนนี้ฉันยังไม่เข้าใจว่าข้อมูลหน่วยก่อนหน้าเป็นอย่างไร ฉันจะขอบคุณสำหรับคำอธิบายเกี่ยวกับรูปภาพหรือรหัส R เพื่อสร้างรูปภาพของสิ่งนี้ก่อนหน้านี้

11 prior  bic  bayes  unit-information-prior 

ฉันพยายามที่จะคลุมศีรษะของฉันรอบ ๆ ผลลัพธ์ของทฤษฎีบทของเบย์ที่ใช้กับตัวอย่างแมมโมแกรมแบบคลาสสิกโดยการบิดของแมมโมแกรมนั้นสมบูรณ์แบบ นั่นคือ, อุบัติการณ์ของมะเร็ง: .01.01.01 ความน่าจะเป็นของการตรวจด้วยคลื่นบวกด้วยการให้ผู้ป่วยเป็นมะเร็ง: 111 ความน่าจะเป็นของการตรวจคัดกรองด้วยวิธีทางบวกเนื่องจากผู้ป่วยไม่มีมะเร็ง: .01.01.01 โดย Bayes: P (มะเร็ง | mammogram +) = 1⋅.01(1⋅.01)+(.091⋅.99)1⋅.01(1⋅.01)+(0.091⋅.99)\dfrac {1 \cdot .01}{(1 \cdot .01) + (.091 \cdot .99)} =.5025=0.5025 = .5025 ดังนั้นถ้าคนที่สุ่มจากประชากรใช้แมมโมแกรมและรับผลบวกมีโอกาส 50% ที่พวกเขาเป็นมะเร็งหรือไม่? ฉันไม่สามารถเข้าใจได้โดยสัญชาตญาณว่าโอกาส 1% เล็กน้อยของการบวกที่ผิดพลาดใน 1% ของประชากรสามารถกระตุ้นผลลัพธ์ 50% ได้อย่างไร อย่างมีเหตุผลฉันคิดว่าการคัดกรองเชิงบวกอย่างแท้จริงที่มีอัตราบวกผิดพลาดเล็กน้อยจะแม่นยำยิ่งขึ้น

11 bayesian  bayes  binning  diagnosis 

ฉันทำงานกับฟัซซี่ลอจิก (FL) มาหลายปีแล้วและฉันรู้ว่ามีความแตกต่างระหว่างฟลอริด้าและความน่าจะเป็นเป็นพิเศษเกี่ยวกับวิธีที่ฟลอริด้าจัดการกับความไม่แน่นอน อย่างไรก็ตามฉันอยากจะถามว่ามีความแตกต่างระหว่างฟลอริด้าและความน่าจะเป็นมากกว่านี้หรือไม่? กล่าวอีกนัยหนึ่งถ้าฉันจัดการกับความน่าจะเป็น (รวมข้อมูลความรู้รวม) ฉันจะทำเช่นเดียวกันกับฟลอริด้า?

10 bayes  fuzzy 

ปัจจัย Bayes ถูกกำหนดไว้ในคชกรรมทดสอบสมมติฐานและการเลือกรูปแบบเบส์โดยอัตราส่วนของสองโอกาสเกิดขอบ: รับตัวอย่าง IIDและความหนาแน่นของการสุ่มตัวอย่างที่เกี่ยวข้องและพร้อมกับนักบวชที่สอดคล้องกันและตัวประกอบ Bayes สำหรับการเปรียบเทียบทั้งสองรุ่นคือ หนังสือฉันกำลังตรวจสอบในปัจจุบันมีคำสั่งแปลกที่ดังกล่าวข้างต้นปัจจัย Bayes(x1, … ,xn)(x1,…,xn)(x_1,\ldots,x_n)ฉ1( x | θ )f1(x|θ)f_1(x|\theta)ฉ2( x | η)f2(x|η)f_2(x|\eta)π1π1\pi_1π2π2\pi_2B12(x1,…,xn)=defm1(x1,…,xn)m2(x1,…,xn)=def∫∏ni=1f1(xi|θ)π1(dθ)∫∏ni=1f2(xi|η)π2(dη)B12(x1,…,xn)=defm1(x1,…,xn)m2(x1,…,xn)=def∫∏i=1nf1(xi|θ)π1(dθ)∫∏i=1nf2(xi|η)π2(dη)\mathfrak{B}_{12}(x_1,\ldots,x_n)\stackrel{\text{def}}{=}\frac{m_1(x_1,\ldots,x_n)}{m_2(x_1,\ldots,x_n)}\stackrel{\text{def}}{=}\frac{\int \prod_{i=1}^n f_1(x_i|\theta)\pi_1(\text{d}\theta)}{\int \prod_{i=1}^n f_2(x_i|\eta)\pi_2(\text{d}\eta)}B12(x1,…,xn)B12(x1,…,xn)\mathfrak{B}_{12}(x_1,\ldots,x_n)คือ "เกิดจากการคูณแต่ละตัว [ตัวประกอบ Bayes] ด้วยกัน" (p.118) สิ่งนี้ถูกต้องอย่างเป็นทางการหากมีใครใช้การสลายตัว แต่ฉันไม่เห็นความได้เปรียบในการย่อยสลายในขณะที่การปรับปรุงโดยต้องการความพยายามในการคำนวณแบบเดียวกับการคำนวณดั้งเดิมของB12(x1,…,xn)=m1(x1,…,xn)m2(x1,…,xn)=m1(xn|x1,…,xn−1)m2(xn|x1,…,xn−1)×m1(xn−1|xn−2,…,x1)m2(xn−1|xn−2,…,x1)×⋯⋯×m1(x1)m2(x1)B12(x1,…,xn)=m1(x1,…,xn)m2(x1,…,xn)=m1(xn|x1,…,xn−1)m2(xn|x1,…,xn−1)×m1(xn−1|xn−2,…,x1)m2(xn−1|xn−2,…,x1)×⋯⋯×m1(x1)m2(x1)\begin{align*}\mathfrak{B}_{12}(x_1,\ldots,x_n)&=\frac{m_1(x_1,\ldots,x_n)}{m_2(x_1,\ldots,x_n)}\\&=\frac{m_1(x_n|x_1,\ldots,x_{n-1})}{m_2(x_n|x_1,\ldots,x_{n-1})}\times \frac{m_1(x_{n-1}|x_{n-2},\ldots,x_1)}{m_2(x_{n-1}|x_{n-2},\ldots,x_1)}\times\cdots\\&\qquad\cdots\times\frac{m_1(x_1)}{m_2(x_1)}\end{align*}m1(xn|x1,…,xn−1)m2(xn|x1,…,xn−1)m1(xn|x1,…,xn−1)m2(xn|x1,…,xn−1)\frac{m_1(x_n|x_1,\ldots,x_{n-1})}{m_2(x_n|x_1,\ldots,x_{n-1})}m1(x1,…,xn)m2(x1,…,xn)m1(x1,…,xn)m2(x1,…,xn)\frac{m_1(x_1,\ldots,x_n)}{m_2(x_1,\ldots,x_n)}นอกตัวอย่างของเล่นประดิษฐ์ คำถาม:มีวิธีทั่วไปและมีประสิทธิภาพในการอัปเดตตัวประกอบ Bayes จากเป็น ที่ไม่ต้องการคำนวณระยะขอบทั้งหมดและ ?B12(x1,…,xn)B12(x1,…,xn)\mathfrak{B}_{12}(x_1,\ldots,x_n)B12(x1,…,xn+1)B12(x1,…,xn+1)\mathfrak{B}_{12}(x_1,\ldots,x_{n+1})m1(x1,…,xn)m1(x1,…,xn)m_1(x_1,\ldots,x_n)m2(x1,…,xn)m2(x1,…,xn)m_2(x_1,\ldots,x_n) สัญชาตญาณของฉันคือนอกเหนือจากตัวกรองอนุภาคซึ่งดำเนินการตามการประเมินปัจจัย Bayesการสังเกตครั้งละหนึ่งครั้งไม่มีวิธีธรรมชาติในการตอบคำถามนี้ .B12(x1,…,xn)B12(x1,…,xn)\mathfrak{B}_{12}(x_1,\ldots,x_n)

9 bayes  marginal  sequential-analysis  bayes-factors 

การสูญเสีย L2 พร้อมกับการสูญเสีย L0 และ L1 เป็นฟังก์ชั่นการสูญเสีย "เริ่มต้น" ที่ใช้กันโดยทั่วไปสามฟังก์ชั่นเมื่อใช้การสรุปหลังโดยการสูญเสียหลังขั้นต่ำที่คาดไว้ เหตุผลหนึ่งสำหรับเรื่องนี้อาจเป็นเพราะพวกเขาค่อนข้างง่ายต่อการคำนวณ (อย่างน้อยสำหรับการแจกแจงแบบ 1d), L0 ให้ผลลัพธ์ในโหมด, L1 ในค่ามัธยฐานและ L2 ให้ค่าเฉลี่ย เมื่อสอนฉันสามารถสร้างสถานการณ์ที่ L0 และ L1 เป็นฟังก์ชั่นการสูญเสียที่สมเหตุสมผล (ไม่ใช่แค่ "ค่าเริ่มต้น") แต่ฉันกำลังดิ้นรนกับสถานการณ์ที่ L2 จะเป็นฟังก์ชันการสูญเสียที่สมเหตุสมผล ดังนั้นคำถามของฉัน: เพื่อจุดประสงค์ในการสอนสิ่งที่จะเป็นตัวอย่างของเมื่อ L2 เป็นฟังก์ชั่นการสูญเสียที่ดีสำหรับการคำนวณการสูญเสียหลังขั้นต่ำ? สำหรับ L0 มันง่ายที่จะเกิดขึ้นกับสถานการณ์จากการเดิมพัน สมมติว่าคุณได้คำนวณส่วนหลังของจำนวนประตูทั้งหมดในเกมฟุตบอลที่กำลังจะมาถึงและคุณจะทำการเดิมพันที่คุณชนะ $$$ หากคุณเดาจำนวนประตูอย่างแม่นยำและแพ้อย่างอื่น จากนั้น L0 คือฟังก์ชันการสูญเสียที่สมเหตุสมผล ตัวอย่าง L1 ของฉันมีการวางแผนเล็กน้อย คุณกำลังพบเพื่อนที่จะมาถึงหนึ่งในสนามบินหลายแห่งและจากนั้นเดินทางโดยรถยนต์ปัญหาคือคุณไม่รู้ว่าสนามบินใด (และไม่สามารถโทรหาเพื่อนของคุณได้เพราะเธออยู่ในอากาศ) เมื่อพิจารณาถึงสนามบินที่เธออาจจะลงจอดแล้วเป็นสถานที่ที่ดีที่จะวางตำแหน่งตัวเองเพื่อให้ระยะห่างระหว่างเธอกับคุณจะน้อยเมื่อเธอไปถึง ที่นี่จุดที่ลดการสูญเสีย L1 ที่คาดไว้ให้น้อยที่สุดนั้นสมเหตุสมผลถ้าทำการสันนิษฐานอย่างง่าย …

9 bayes  teaching  decision-theory  loss-functions 

จากมุมมองทางคณิตศาสตร์ทฤษฎีบท Bayes 'ทำให้รู้สึกที่สมบูรณ์แบบสำหรับฉัน (เช่นการสืบและการพิสูจน์) แต่สิ่งที่ฉันไม่ทราบว่ามีหรือไม่มีอาร์กิวเมนต์ทางเรขาคณิตหรือกราฟิกที่ดีที่สามารถแสดงเพื่ออธิบายทฤษฎีบทของ Bayes ฉันลอง Googling ไปรอบ ๆ เพื่อหาคำตอบและก็แปลกใจที่ฉันไม่พบอะไรเลย

9 bayesian  bayes  geometry