ബയേസിയൻ പാരാമീറ്റർ എസ്റ്റിമേഷൻ (BPE) MLE അല്ലെങ്കിൽ MAP എന്നിവയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അടിസ്ഥാനപരമായി വ്യത്യസ്തമാണ്. അവസാനത്തെ രണ്ടും മോഡലിനായി ഒപ്റ്റിമൽ പാരാമീറ്ററുകളുടെ ഒരു സെറ്റ് പരിഹരിക്കുമ്പോൾ, BPE യിൽ ഒരു റാൻഡം വേരിയബിളായി കണക്കാക്കുകയും അതിന് എന്ന ഡിസ്ട്രിബ്യൂഷൻ ഉണ്ടായിരിക്കുകയും ചെയ്യുന്നു.
സജ്ജീകരണം
നമുക്ക് ഒരു ഡാറ്റാസെറ്റ് നൽകിയിട്ടുണ്ട്, അതിൽ സ്വതന്ത്രവും സമാനമായി വിതരണം ചെയ്യപ്പെട്ടതുമായ ഫീച്ചറുകൾ അടങ്ങിയിരിക്കുന്നു. ഒരു പുതിയ ഫീച്ചർ വെക്ടർ നൽകിയാൽ, അതിനെ ഒരു ക്ലാസ് ലേക്ക് വർഗ്ഗീകരിക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു. ഇത് ചെയ്യാനുള്ള ഒരു മാർഗ്ഗം ബയേസ് ഡിസിഷൻ റൂൾ ഉപയോഗിക്കുക എന്നതാണ്. അതായത്, ക്ലാസ് ക്ലാസ് യേക്കാൾ തിരഞ്ഞെടുക്കുന്നത്
എന്ന അവസ്ഥയിൽ ആണ്, ഇവിടെ ക്ലാസ് യിലെ ഫീച്ചറുകൾ മാത്രം അടങ്ങിയിരിക്കുന്നു, അതുപോലെ തന്നെ ക്ലാസ് യിലെ ഫീച്ചറുകൾ മാത്രം അടങ്ങിയിരിക്കുന്നു. അടിസ്ഥാന വിതരണത്തിന് കൂടുതൽ ഘടന അനുമാനിക്കാതെ ഇത് നേരിട്ട് പരിഹരിക്കാൻ കഴിയില്ല.
അതിനാൽ, എന്ന വിതരണം എന്ന ഒരു റാൻഡം വേരിയബിളിനാൽ മാത്രം പാരാമീറ്ററൈസ് ചെയ്യപ്പെട്ട ഒരു മോഡൽ വഴി പൂർണ്ണമായി വിവരിക്കപ്പെടുന്നുവെന്ന് അനുമാനിക്കാം. ഈ വിതരണം ക്ലാസ് യിൽ ഉണ്ടെങ്കിൽ അത് കണ്ടെത്താനുള്ള സാധ്യത നമുക്ക് പറയുന്നു. ഇനി മുതൽ, ലഘുത്വത്തിനായി എന്ന സബ്സ്ക്രിപ്റ്റ് ഞാൻ ഒഴിവാക്കുന്നു. അപ്പോൾ നമുക്ക് നിരീക്ഷിക്കാം
ഇത് കൂടുതൽ നിയന്ത്രിക്കാവുന്നതാണ്. നമ്മൾ അനുമാനിച്ച മോഡലിൽ പ്ലഗ് ഇൻ ചെയ്ത് കണക്കാക്കാം. യും കണക്കാക്കാം, കാരണം
സംഗ്രഹിച്ചാൽ, ക്ലാസ് കണ്ടീഷണൽ ഡാറ്റ നൽകിയിരിക്കുന്ന യുടെ പ്രിയർ, ലൈക്ലിഹുഡ് എന്നിവയാൽ ഭാരം കൊടുത്ത്, ന്റെ ലൈക്ലിഹുഡ് എല്ലാ സാധ്യതയുള്ള പാരാമീറ്ററുകൾ ക്ക് മേൽ ശരാശരി ചെയ്യുന്ന ഒരു രീതി ഞങ്ങൾ രൂപകൽപ്പന ചെയ്തിട്ടുണ്ട്.
ഗോസിയൻ കേസ്
നമ്മുടെ മോഡൽ ഒരു ഗോസിയൻ ആയിരിക്കുമ്പോൾ, ഒരു മീൻ ഉള്ളതും ഡിസ്ട്രിബ്യൂഷൻ ഉള്ളതും ഒരു അറിയപ്പെടുന്ന കോവേറിയൻസ് ഉള്ളതുമായ സാഹചര്യത്തിൽ, BPE കണക്കാക്കാൻ വളരെ എളുപ്പമാണ്. ഈ സാഹചര്യത്തിൽ, നമ്മുടെ പാരാമീറ്റർ സെറ്റിൽ മാത്രമേ ഉള്ളൂ.
നമ്മൾ ഇനിപ്പറയുന്നവ അനുമാനിക്കുന്നു:
-
. അതായത്, നമ്മുടെ മോഡൽ ഓരോ ക്ലാസിനും സാധുതയുള്ളതാണ്.
-
. ഇവിടെ, എന്നിവ ഡാറ്റ കാണുന്നതിന് മുമ്പ് ഓരോ ക്ലാസ് കണ്ടീഷണൽ ഡിസ്ട്രിബ്യൂഷന്റെ ആകൃതിയെക്കുറിച്ചുള്ള നമ്മുടെ “മികച്ച ഊഹം” ആണ്.
നമ്മുടെ ലക്ഷ്യം കണക്കാക്കുക എന്നതാണെന്ന് മനസ്സിൽ വെച്ചുകൊണ്ട്, ആദ്യം കണ്ടെത്തേണ്ടതുണ്ട്. ബേയസ് സിദ്ധാന്തത്തിൽ നിന്ന്:
ഗോസിയൻ ഫോർമുലകൾ പ്ലഗ് ചെയ്യുമ്പോൾ:
ഇവിടെ
ഡെറിവേഷൻ
എക്സ്പോണന്റ് -ൽ ക്വാഡ്രാറ്റിക് ആണെന്ന് നമ്മൾ ശ്രദ്ധിക്കുന്നു. ഇതിനർത്ഥം ഒരു ഗോസിയൻ ആയിരിക്കണം! നമുക്ക് ഇത് സ്റ്റാൻഡേർഡ് ഫോമിൽ ഇടാം. എക്സ്പോണന്റിലെ ആദ്യത്തെയും രണ്ടാമത്തെയും പദങ്ങൾ പ്രത്യേകം കൈകാര്യം ചെയ്യാം. ആദ്യ പദം:
രണ്ടാമത്തെ പദം:
ഇവയെ വീണ്ടും ഒരുമിച്ച് ഗ്രൂപ്പ് ചെയ്യുമ്പോൾ:
ഇത് ലളിതമാക്കുമ്പോൾ:
ഇവിടെ
ഇത് സമാന പദങ്ങൾ തുല്യമാക്കി കണ്ടെത്താം.
അതിനാൽ, .
ഈ വ്യായാമം പൂർത്തിയാക്കാൻ, നമുക്ക് കണ്ടെത്തേണ്ടതുണ്ട്. ആയതിനാൽ, നമുക്ക് എന്ന് പ്രകടിപ്പിക്കാം. ആണെന്ന് വ്യക്തമാണ്. അപ്പോൾ .
അതിനാൽ, ഈ രീതി ഉപയോഗിച്ച് നമുക്ക് ഒരു ഇന്റഗ്രൽ മൂല്യനിർണ്ണയം ചെയ്യേണ്ടതില്ല!
സംഗ്രഹത്തിൽ
- , ഇവിടെ എന്നിവ “അനുമാനിക്കപ്പെട്ട” മൂല്യങ്ങളാണ്
- , ഇവിടെ എന്നിവ എന്ന ഡാറ്റയിൽ നിന്ന് കണക്കാക്കിയ ക്ലാസ് കണ്ടീഷണൽ സ്ഥിതിവിവരക്കണക്കുകളാണ്
- . ഈ ഫംഗ്ഷൻ ബയേസ് ഡിസിഷൻ റൂൾ ഉപയോഗിക്കുന്നതിനാണ്