Coursera Learner working on a presentation with Coursera logo and
Coursera Learner working on a presentation with Coursera logo and

Introduzione

Le Misure Bayesiane continuano a rimanere incommensurabili nelle personalità illuminate di numerosi investigatori. Essendo sbalorditi dall’incredibile intensità dell’intelligenza artificiale, molti di noi si sono rivelati infedeli alle intuizioni. Il nostro centro si è limitato a indagare sull’IA. È vero che non è valido? Non riusciamo a capire che l’IA non è il modo migliore per occuparsi dei problemi reali. In alcune circostanze, non ci aiuta ad affrontare i problemi di business, nonostante ci siano informazioni relative a tali questioni. Sicuramente, l’apprendimento delle intuizioni vi permetterà di affrontare questioni logiche complesse, indipendentemente dalle dimensioni delle informazioni. Nel 1770, Thomas Bayes presentò la “Ipotesi di Bayes”. In effetti, anche a distanza di centinaia di anni, il significato delle ‘Misure Bayesiane’ non si è attenuato. In realtà, oggi questo punto viene istruito in incredibili profondità in una parte delle scuole guida del mondo.  Con questo pensiero, ho fatto di questa neonata assistente di questo presente su “Bayesian Insights”. Ho cercato di chiarire le idee in modo troppo semplificato con i modelli. L’apprendimento precoce delle probabilità e delle misurazioni fondamentali è interessante. Dovreste dare un’occhiata a questo corso per ottenere un’esaustiva ed esaustiva conoscenza delle intuizioni e delle probabilità. Prima della fine di questo articolo, avrete una solida comprensione delle Misure Bayesiane e delle idee ad esse correlate.

bayesian statistics, probability

Indice

Statistiche Frequentista

I difetti intrinseci nelle statistiche dei frequentatori

Statistiche Bayesiane

Probabilità condizionata

Teorema di Bayes

Inferenza Bayesiana

Funzione di probabilità Bernoulli

Distribuzione delle convinzioni precedenti

Distribuzione di credenze posteriori

Test di rilevanza – Frequentista vs Bayesiano

p-valore

Intervalli di fiducia

Fattore di Bayes

Intervallo ad alta densità (HDI)

1. 1. Approfondimenti dei Frequentisti

La discussione tra i più frequenti e bayesiani ha frequentato il tenderfoot per molto tempo. Pertanto, è imperativo comprendere la distinzione tra i due e come esista una linea sottile di contorno!

È la procedura inferenziale più generalmente utilizzata nel mondo dei fatti. Infatti, in generale, è il modo principale di pensare che un individuo che si addentra nel mondo delle misure va oltre. Le Frequentist Measurements testano se un’occasione (speculazione) si verifica o meno. Essa calcola la probabilità di un’occasione nel lungo periodo dell’analisi (cioè il test viene ripetuto in condizioni simili per acquisire il risultato). Qui vengono prese le circolazioni di prova di dimensioni fisse. A quel punto, il test viene ipoteticamente ripetuto un numero illimitato di volte, ma sostanzialmente finito con un’aspettativa di arresto. Per esempio, svolgo un’indagine alla luce di un’aspettativa di arresto che interrompe il test quando viene ripetuto più volte o vedo almeno 300 teste in un lancio di moneta.

Che ne dite di andare oltre a questo punto?

Al momento, comprenderemo le intuizioni più frequenti utilizzando un caso di lancio della moneta. L’obiettivo è quello di valutare la decenza della moneta. La seguente è una tabella che parla della ricorrenza delle teste:

frequentist vs bayesian, bayesian statistics, example

Ci rendiamo conto che la probabilità di ottenere una testa per lanciare una moneta ragionevole è di 0,5. Il numero di teste parla al numero reale di teste acquisite. La distinzione è il contrasto tra 0,5*(No. di teste) – no. di teste.

Qualcosa di imperativo da notare è che, tuttavia la distinzione tra il numero reale di teste e il numero di teste previsto (metà del numero di lanci) aumenta man mano che il numero di lanci si espande, l’entità del numero di teste da sommare al numero di lanci si avvicina a 0,5 (per una moneta ragionevole).

Questo test ci presenta un difetto eccezionalmente regolare che si trova nell’approccio più frequente, ad esempio la fiducia nell’effetto secondario di un’indagine nelle occasioni in cui il test viene ripetuto.

Per conoscere le strategie misurabili frequentist si può andare a questo superbo seminario sulle misure inferenziali.

2. 2. Le imperfezioni caratteristiche nelle misure frequentist

Fino a qui, abbiamo visto una sola imperfezione nelle misurazioni più frequenti. Tutto sommato, è solo l’inizio.

Il ventesimo secolo ha visto un’enorme impennata nelle intuizioni più frequenti applicate ai modelli numerici per verificare se un esempio è unico rispetto all’altro, un parametro è abbastanza significativo da essere mantenuto nel modello e varie altre apparenze di prova teorica. Comunque sia, le misurazioni frequentist hanno subito alcune straordinarie imperfezioni nella sua struttura e comprensione che hanno rappresentato una vera e propria preoccupazione in tutte le questioni reali. Per esempio:

1. valori p stimati a fronte di una misurazione di esempio (dimensione fissa) con alcuni cambiamenti di obiettivo di arresto con il cambiamento della mira e della dimensione della prova. cioè se due persone prendono un colpo a informazioni simili e hanno un obiettivo di arresto distintivo, possono ottenere due diversi valori p per informazioni simili, il che è fastidioso.

Per esempio: L’individuo A può smettere di lanciare una moneta quando il conteggio completo arriva a 100 mentre B si ferma a 1000. Per varie dimensioni, ad esempio, si ottengono diversi t-score e valori p distintivi. Così, l’obiettivo di prevenire può cambiare dal numero fisso di lanci da sommare ad un termine di lancio. Anche per questa situazione, otterremo senza dubbio diversi valori p. 2-Certainty Interim (C.I.) come p-esteem dipende intensamente dalle dimensioni dell’esempio. Questo rende il potenziale di arresto completamente ridicolo, poiché indipendentemente dal numero di persone che eseguono i test su informazioni simili, i risultati dovrebbero essere prevedibili. I 3-Certainty Interims (C.I.) non sono circolazioni di probabilità di conseguenza non danno l’incentivo più plausibile ad un parametro e le qualità più plausibili. Queste tre ragioni sono sufficienti per farvi andare a contemplare gli svantaggi dell’approccio più frequente e perché sarebbe un requisito della metodologia bayesiana. Dovremmo scoprirlo.

Da qui comprenderemo inizialmente i rudimenti delle intuizioni bayesiane.