Гиперпараметр - Википедия - Hyperparameter

Эта статья поднимает множество проблем. Пожалуйста помоги Улучши это или обсудите эти вопросы на страница обсуждения. (Узнайте, как и когда удалить эти сообщения-шаблоны) Эта статья может быть слишком техническим для большинства читателей, чтобы понять. Пожалуйста помогите улучшить это к сделать понятным для неспециалистов, не снимая технических деталей. (Декабрь 2020 г.) (Узнайте, как и когда удалить этот шаблон сообщения) (Узнайте, как и когда удалить этот шаблон сообщения)

Часть серии по
Байесовская статистика
Теория
Допустимое правило принятия решения Байесовская эффективность Байесовская вероятность Вероятностные интерпретации Теорема Байеса Фактор Байеса Байесовский вывод Байесовская сеть Прежний Задний Вероятность Конъюгировать приор Задний прогностический Гиперпараметр Hyperprior Принцип безразличия Принцип максимальной энтропии Эмпирический метод Байеса Правило Кромвеля Теорема Бернштейна – фон Мизеса Критерий Шварца Достоверный интервал Максимальная апостериорная оценка Радикальный вероятности
Методы
Байесовская линейная регрессия Байесовская оценка Приближенное байесовское вычисление Цепь Маркова Монте-Карло
Математический портал

В Байесовская статистика, а гиперпараметр является параметром предварительное распространение; термин используется, чтобы отличить их от параметров модели для анализируемой системы.

Например, если вы используете бета-распространение для моделирования распределения параметра п из Распределение Бернулли, тогда:

• п является параметром базовой системы (распределение Бернулли), и
• α и β являются параметрами априорного распределения (бета-распределение), следовательно, гиперпараметры.

Можно взять одно значение для данного гиперпараметра, или можно выполнить итерацию и взять распределение вероятностей для самого гиперпараметра, называемое гиперприор.

Цель

Часто используется априор, происходящий от параметрическая семья распределений вероятностей - это сделано частично для наглядности (чтобы можно было записать распределение и выбрать форму, изменяя гиперпараметр, а не пытаться создать произвольную функцию), и частично, чтобы можно было отличаться гиперпараметр, особенно в методе сопряженные приоры, или для Анализ чувствительности.

Сопряженные приоры

При использовании сопряженного априорного распределения апостериорное распределение будет из того же семейства, но будет иметь разные гиперпараметры, которые отражают добавленную информацию из данных: с субъективной точки зрения, убеждения были обновлены. Для общего априорного распределения это очень сложно с вычислительной точки зрения, и апостериорное распределение может иметь необычную или трудно описываемую форму, но с сопряженным априорным распределением обычно существует простая формула, связывающая значения гиперпараметров апостериорного распределения со значениями гиперпараметры априорного, и, таким образом, вычисление апостериорного распределения очень просто.

Анализ чувствительности

Основное беспокойство пользователей байесовской статистики и критика со стороны критиков - это зависимость апостериорного распределения от априорного. Гиперпараметры решают эту проблему, позволяя легко изменять их и видеть, как апостериорное распределение (и различные его статистические данные, такие как достоверные интервалы ) различаются: можно увидеть, как чувствительный выводы основаны на предыдущих предположениях, и процесс называется Анализ чувствительности.

Точно так же можно использовать предварительное распределение с диапазоном для гиперпараметра, возможно, отражающим неопределенность в правильности до взятия, и отразить это в диапазоне для окончательной неопределенности.^[1]

Гиперприоры

Вместо использования одного значения для данного гиперпараметра можно вместо этого рассмотреть распределение вероятностей самого гиперпараметра; это называется "гиперприор. »В принципе, это можно повторить, называя параметры гиперприора« гипергиперпараметрами »и так далее.

Смотрите также

• Эмпирический метод Байеса

Рекомендации

дальнейшее чтение

• Bernardo, J.M .; Смит, А. Ф. М. (2000). Байесовская теория. Нью-Йорк: Вили. ISBN  0-471-49464-X.
• Гельман, А.; Хилл, Дж. (2007). Анализ данных с использованием регрессии и многоуровневых / иерархических моделей. Нью-Йорк: Издательство Кембриджского университета. С. 251–278. ISBN  978-0-521-68689-1.
• Крушке, Дж. К. (2010). Выполнение байесовского анализа данных: учебное пособие с R и BUGS. Академическая пресса. С. 241–264. ISBN  978-0-12-381485-2.