如何可视化贝叶斯拟合优度进行逻辑回归

对于贝叶斯逻辑回归问题，我创建了后验预测分布。我从预测分布中进行采样，对于每个观测值，我都会收到数千个（0,1）的采样。可视化拟合优度并不有趣，例如：

此图显示了1万个样本+观察到的基准点（左侧的一条可以画出一条红线：是的，是观察值）。问题在于该图很难提供信息，我将使用其中的23个，每个数据点一个。

是否有更好的方法可视化23个数据点以及后面的样本。

另一尝试：

基于纸张的另一种尝试这里

我有一种感觉，您并没有完全放弃所有货物以适应您的情况，但是鉴于我们眼前的情况，让我们考虑使用简单的点状图来显示信息的实用性。

唯一没有出现的实际情况（可能不是默认行为）是：

• 我利用冗余的编码，形状和颜色来区分观察到的无缺陷和缺陷值。有了这样简单的信息，就不必在图形上放置点。当点靠近中间值时，您也会遇到问题，需要更多查找以观察观察到的值是零还是一。
• 我根据观察到的比例对图形进行了排序。

排序是此类点图的真正推动者。此处按比例值排序有助于轻松发现大量残差观测值。拥有一个可以轻松按情节或案例外部特征中的值进行排序的系统，是物有所值的最佳方法。

该建议也适用于连续观察。您可以根据残差是正还是负来对点进行着色/成形，然后根据绝对（或平方）残差来调整点的大小。尽管由于观测值的简单性，在此不需要IMO。

可视化具有一个预测变量的贝叶斯逻辑回归模型的拟合的通常方法是绘制预测分布以及相应的比例。（请让我知道我是否理解您的问题）

使用流行的Bliss数据集的示例。

R中的以下代码：

library(mcmc)

# Beetle data

ni = c(59, 60, 62, 56, 63, 59, 62, 60) # Number of individuals
no = c(6, 13, 18, 28, 52, 53, 61, 60) # Observed successes
dose = c(1.6907, 1.7242, 1.7552, 1.7842, 1.8113, 1.8369, 1.8610, 1.8839) # dose

dat = cbind(dose,ni,no)

ns = length(dat[,1])

# Log-posterior using a uniform prior on the parameters

logpost = function(par){
var = dat[,3]*log(plogis(par[1]+par[2]*dat[,1])) + (dat[,2]-dat[,3])*log(1-plogis(par[1]+par[2]*dat[,1]))

if( par[1]>-100000 ) return( sum(var) )
else return(-Inf)
}

# Metropolis-Hastings
N = 60000

samp <- metrop(logpost, scale = .35, initial = c(-60,33), nbatch = N)

samp$accept

burnin = 10000
thinning = 50

ind = seq(burnin,N,thinning)

mu1p =   samp$batch[ , 1][ind]

mu2p =   samp$batch[ , 2][ind]


# Visual tool

points = no/ni
# Predictive dose-response curve
DRL <- function(d) return(mean(plogis(mu1p+mu2p*d)))
DRLV = Vectorize(DRL)

v <- seq(1.55,2,length.out=55)
FL = DRLV(v)

plot(v,FL,type="l",xlab="dose",ylab="response")
points(dose,points,lwd=2)

我正在响应对替代图形技术的要求，以显示模拟故障事件与观察到的故障事件的匹配程度。问题出现在“概率性编程和贝叶斯方法黑客”找到这里。这是我的图形方法：

在这里找到代码。