是否有贝叶斯方法进行密度估算


22

我有兴趣估算连续随机变量的密度。我学到的一种方法是使用内核密度估计。X

但是现在,我对遵循以下思路的贝叶斯方法感兴趣。我最初认为服从分配。我采取的读数。有什么方法可以根据我的新读物来更新?XFnXF

我知道我听起来好像在自相矛盾:如果我只相信是我的先前发行记录,那么没有数据可以说服我。但是,假设是而我的数据点是。看到,我显然不能坚持以前的做法,但是应该如何更新呢?FFUnif[0,1](0.3,0.5,0.9,1.7)1.7

更新:根据评论中的建议,我开始研究Dirichlet过程。让我使用以下符号:

GDP(α,H)θi|GGxi|θiN(θi,σ2)

用这种语言构架了我原来的问题之后,我想我对以下内容感兴趣:。如何做到这一点?θn+1|x1,...,xn

这套笔记(第2页)中,作者举了的示例。(Polya方案)。我不确定这是否相关。θn+1|θ1,...,θn

更新2:我也想问(在看到注释之后):人们如何选择DP的?似乎是一个随机选择。另外,人们如何为DP 选择先前的?我应该只使用先验作为先验吗?αHθH


2
“如果我只相信F是我以前的发行版,那么没有数据可以使我信服。” 这是贝叶斯推理的对立面,它更多地遵循您一方面相信您的信念,而另一方面把握您所相信的世界,然后将它们融合在一起并观察得出的结果。洗涤,漂洗,重复。
亚历克西斯

您了解狄利克雷过程吗?
niandra82 2014年

忽略您的最后一段:对于此问题有两种常见的选择。一个是法线的有限混合(您可以根据交叉验证中的似然性选择多少个法线),或者是@ niandra82所建议的无限的法线混合。这些可以通过Gibbs采样或变分推断之类的方法完成。您是否熟悉这些方法?

我还要问,您打算如何使用此KDE?选择的方法和大小(无限,有限)可能取决于您的目标。

这听起来像是模型选择问题还是哲学问题。在现实中,我们该可能性在贝叶斯推理使用的选择强加先验信念太...
Zoë的克拉克

Answers:


2

由于您需要贝叶斯方法,因此需要假设一些有关您要估计的事物的先验知识。这将采用发行形式。

现在,存在的问题是,这现在是分布上的分布。但是,如果您假设候选分布来自某个分布的参数化类,那么这没问题。

例如,如果您要假设数据是高斯分布的,均值未知,但方差已知,那么您所需要的只是先于均值。

可以通过假设所有给定未知参数的观测值/数据点在条件上独立来进行未知参数(称为)的MAP估计。然后,MAP估计为θ

θ^=argmaxθ(Pr[x1,x2,...,xn,θ])

哪里

Pr[x1,x2,...,xn,θ]=Pr[x1,x2,...,xn|θ]Pr[θ]=Pr[θ]i=1nPr[xi|θ]

应当注意,存在先验概率和候选分布特定组合。即产生容易(封闭形式)更新,因为更多的数据点被接收。Pr[θ]Pr[x|θ]


1

出于密度估算目的,您不需要

θn+1|x1,,xn

在笔记式 reffers到Dirichlet过程的预测分布。θn+1|θ1,,θn

对于密度估计,您实际上必须从预测分布采样

π(dxn+1|x1,,xn)

可以使用条件方法或边际方法从上述分布中进行抽样。对于条件方法,请看Stephen Walker的论文[1]。对于边际方法,您应该查看Radford Neal论文[2]。

对于约束参数 Mike West [3]提出了一种在MCMC过程中进行推断的方法,其中包括的完整条件分布。如果您决定不更新MCMC程序中的浓度,则应记住,如果为它选择一个较大的值,则从Dirichlet过程中得出的不同值的数量将大于不同值的数量。当数字较小时。αααα

[1] SG,沃克(2006)。用切片对Dirichlet混合物模型进行采样。地统计学通讯(模拟和计算)。

[2] RM,Neal(2000)的Dirichlet过程混合模型的马尔可夫链蒙特卡罗方法。计算和图形统计杂志。第9卷,第2期,第249-265页

[3] M.,West(1992)。Dirichlet过程混合模型中的超参数估计。技术报告


-1

有什么方法可以根据我的新读物更新F吗?

正是出于这一点。这几乎是贝叶斯推理的主要思想。

p(θ|y)p(y|θ)p(θ)

在是你之前,你叫什么。在就是贝叶斯所说的“可能性”,这是给theta的一些价值观测数据的概率。您只需将它们相乘即可得到的“后”分布。这是您的“更新的F”。查看任何贝叶斯统计入门书籍的第1章。p(θ)Fp(y|θ)θ

您不必摆脱(先前),您只需要意识到,既然您已有数据可以对其进行优化,那就不再是最好的猜测了。p(θ)


3
这不是在回答问题。OP询问当时如何在上放置。假设我们对的先验对密度分布的概率为1,则似然为。因此,我们需要在可微分的分布函数的空间上构造一个先验(它是无限维的),OP正在询问如何做到这一点。FX1,,XniidFFL(F)=i=1NdFdx|x=xiF
家伙
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.