আপনি তিনটি বিষয় সম্পর্কে জিজ্ঞাসা করেছেন: (ক) একক পূর্বাভাস পাওয়ার জন্য কীভাবে বেশ কয়েকটি পূর্বাভাসকে একত্রিত করা যায়, (খ) এখানে যদি বায়েশিয়ান পদ্ধতির ব্যবহার করা যায় এবং (গ) শূন্য-সম্ভাবনার সাথে কীভাবে মোকাবেলা করতে হয়।
পূর্বাভাসের সমন্বয় করা একটি সাধারণ অনুশীলন । যদি আপনি সেই পূর্বাভাসের গড় গ্রহণ করেন তার চেয়ে যদি আপনার বেশ কয়েকটি পূর্বাভাস থাকে তবে ফলাফলের সম্মিলিত পূর্বাভাস স্বতন্ত্র পূর্বাভাসের তুলনায় নির্ভুলতার ক্ষেত্রে আরও ভাল হওয়া উচিত। তাদের গড় হিসাবে আপনি ভারী গড় ব্যবহার করতে পারেন যেখানে ওজনগুলি বিপরীত ত্রুটিগুলির (যেমন নির্ভুলতা), বা তথ্য সামগ্রীর উপর ভিত্তি করে । যদি প্রতিটি উত্সের নির্ভরযোগ্যতার বিষয়ে আপনার জ্ঞান থাকে তবে আপনি প্রতিটি উত্সের নির্ভরযোগ্যতার সাথে আনুপাতিক ওজন নির্ধারণ করতে পারেন, তাই চূড়ান্ত সম্মিলিত পূর্বাভাসের জন্য আরও নির্ভরযোগ্য উত্সগুলি আরও বেশি প্রভাব ফেলবে। আপনার ক্ষেত্রে তাদের নির্ভরযোগ্যতা সম্পর্কে আপনার কোনও জ্ঞান নেই তাই প্রতিটি পূর্বাভাসের একই ওজন থাকে এবং তাই আপনি তিনটি পূর্বাভাসের সরল পাটিগণিত গড় ব্যবহার করতে পারেন
0%×.33+50%×.33+100%×.33=(0%+50%+100%)/3=50%
যেমনটি @ অ্যান্ডডাব্লু এবং @ আর্থারবি মন্তব্যগুলিতে পরামর্শ করেছিলেন। , সহজ ওজনযুক্ত গড় ছাড়াও অন্যান্য পদ্ধতি উপলব্ধ। বিশেষজ্ঞের পূর্বাভাস গড় সম্পর্কে সাহিত্যে এ জাতীয় অনেকগুলি পদ্ধতি বর্ণনা করা হয়েছে, যা আমি আগে পরিচিত ছিলাম না তাই ধন্যবাদ বলছি। বিশেষজ্ঞের পূর্বাভাসের গড় গড় সময়ে কখনও কখনও আমরা এই সত্যটি সংশোধন করতে চাই যে বিশেষজ্ঞরা গড়পড়তা (ব্যারন এট আল, 2013) প্রতি প্রতিক্রিয়া দেখায় বা তাদের পূর্বাভাসকে আরও চূড়ান্ত করে তোলে (অ্যারিলি এট আল, 2000; এরেভ এট আল, 1994)। এটি অর্জনের জন্য স্বতন্ত্র পূর্বাভাস রূপান্তর ব্যবহার করতে পারে , যেমন লজিট ফাংশনpi
logit(pi)=log(pi1−pi)(1)
থেকে মতভেদ -th ক্ষমতাa
g(pi)=(pi1−pi)a(2)
যেখানে , বা ফর্মের আরও সাধারণ রূপান্তর0<a<1
t(pi)=paipai+(1−pi)a(3)
যেখানে যদি কোন রূপান্তর প্রয়োগ করা হয়, যদি একটি > 1 আরও চরম পৃথক পূর্বাভাস তৈরি করা হয়, যদি 0 < একটি < 1 পূর্বাভাস কম চরম, কি নিচের ছবিতে দেখানো হয়েছে তৈরি করা হয় (Karmarkar, 1978 দেখ; ব্যারন এট, 2013 )।a=1a>10<a<1
এ জাতীয় রূপান্তর পূর্বাভাস গড়ের পরে (গণিত গড়, মধ্যম, ওজনযুক্ত গড় বা অন্য পদ্ধতি ব্যবহার করে) করা হয়। তাহলে সমীকরণ (1) বা (2) ছিল ব্যবহৃত ফলাফলের জন্য (1) বিপরীত logit ব্যবহার করে এবং বিপরীত ব্যাক রূপান্তরিত করা প্রয়োজন মতভেদ (2) জন্য। বিকল্পভাবে, জ্যামিতিক গড় ব্যবহার করা যেতে পারে (দেখুন জেনেট এবং জিডেক, 1986; সিএফ। ডায়েরিচ এবং তালিকা, 2014)
p^=∏Ni=1pwii∏Ni=1pwii+∏Ni=1(1−pi)wi(4)
বা স্যাটোপা এট আল দ্বারা প্রস্তাবিত (2014)
p^=[∏Ni=1(pi1−pi)wi]a1+[∏Ni=1(pi1−pi)wi]a(5)
যেখানে ওজন আছে। বেশিরভাগ ক্ষেত্রে সমান ওজন ডাব্লু i = 1 / এন ব্যবহৃত হয় যদি না এমনকোনও অগ্রাধিকারতথ্য উপস্থিত থাকে যা অন্য পছন্দের প্রস্তাব দেয়। এই ধরনের পদ্ধতিগুলি বিশেষজ্ঞের পূর্বাভাসের গড় হিসাবে ব্যবহৃত হয় যাতে কম বা অতিরিক্ত আত্মবিশ্বাসের জন্য এটি সঠিক হয়। অন্যান্য ক্ষেত্রে আপনার বিবেচনা করা উচিত যদি পূর্বাভাসকে আরও বেশি রূপান্তর করা হয়, বা কম চূড়ান্তভাবে ন্যায়সঙ্গত হয় কারণ এটি সামগ্রিক প্রাক্কলনটিকে সর্বনিম্ন এবং সবচেয়ে বড় স্বতন্ত্র পূর্বাভাস দ্বারা চিহ্নিত সীমানার বাইরে যেতে পারে।wiwi=1/N
আপনি যদি অবরোহমার্গী বৃষ্টি সম্ভাব্যতা জ্ঞান তোমাদের দিয়েছি পূর্বাভাস আপডেট করতে বায়েসের উপপাদ্য প্রয়োগ করতে পারেন অবরোহমার্গী বৃষ্টির সম্ভাবনা এখানে বর্ণনা অনুযায়ী অনুরূপ ফ্যাশন । প্রয়োগ করা যেতে পারে এমন একটি সহজ পদ্ধতিরও রয়েছে, যেমন আপনার পূর্বাভাসের ওজনিত গড় গণনা করুন (উপরে বর্ণিত হিসাবে) যেখানে পূর্ব সম্ভাবনা π কিছু পূর্বনির্ধারিত ওজন সহ অতিরিক্ত ডেটা পয়েন্ট হিসাবে বিবেচিত হয়piπ এই হিসেবেIMDB, উদাহরণস্বরূপ(এছাড়াও দেখুনউৎস, বাএখানেএবংএখানেআলোচনার জন্য; সিএফ। জেনেষ্ট এবং শেরভিশ, 1985), অর্থাৎwπ
p^=(∑Ni=1piwi)+πwπ(∑Ni=1wi)+wπ(6)
আপনার প্রশ্ন থেকে তবে এটি অনুসরণ করে না যে আপনার সমস্যা সম্পর্কে আপনার কাছে কোনও প্রাইরি জ্ঞান আছে তাই আপনি সম্ভবত পূর্ববর্তী ইউনিফর্ম ব্যবহার করবেন, অর্থাত্ একটি প্রাকদিক বৃষ্টিপাতের সম্ভাবনাটি ধরে রাখুন এবং আপনি যে উদাহরণ দিয়েছেন তার ক্ষেত্রে এটি তেমন পরিবর্তন হয় না।50%
জিরোদের সাথে ডিল করার জন্য, বিভিন্ন বিভিন্ন পদ্ধতি সম্ভব aches প্রথমে আপনার লক্ষ্য করা উচিত যে বৃষ্টিপাতের সম্ভাবনা সত্যই নির্ভরযোগ্য মূল্য নয়, যেহেতু এটি বলে যে এটি বৃষ্টি হওয়া অসম্ভব । প্রাকৃতিক ভাষা প্রক্রিয়াকরণে একই জাতীয় সমস্যাগুলি প্রায়শই ঘটে যখন আপনার ডেটাতে আপনি সম্ভবত কিছু মূল্যবোধ পর্যবেক্ষণ করবেন না (যেমন আপনি অক্ষরের ফ্রিকোয়েন্সি গণনা করেন এবং আপনার ডেটাতে কিছু অস্বাভাবিক চিঠিও ঘটে না)। এই ক্ষেত্রে সম্ভাবনার জন্য ধ্রুপদী অনুমানক, অর্থাত্0%
pi=ni∑ini
যেখানে হ'ল i তম মানের ( ডি বিভাগের বাইরে ) এর একাধিক সংঘটন, n i = 0 হলে আপনাকে p i = 0 দেয় । একে শূন্য-ফ্রিকোয়েন্সি সমস্যা বলে । এই জাতীয় মানগুলির জন্য আপনি জানেন যে তাদের সম্ভাবনা ননজারো (তাদের উপস্থিত রয়েছে!), সুতরাং এই অনুমানটি স্পষ্টতই ভুল। একটি ব্যবহারিক উদ্বেগও রয়েছে: জিরো দ্বারা গুণমান এবং ভাগ করা জিরো বা অপরিজ্ঞাত ফলাফলের দিকে পরিচালিত করে, তাই শূন্যরা কাজ করতে সমস্যাযুক্ত।nআমিআমিঘpআমি= 0এনআমি= 0
সহজ এবং সাধারণভাবে ফলিত ফিক্স হয় কিছু ধ্রুবক যোগ করার জন্য আপনার গন্য করা, যাতেβ
পিআমি= এনআমি+ + β( ∑)আমিএনআমি) + ডিβ
সাধারণ পছন্দ হয় 1 অর্থাত অভিন্ন পূর্বে উপর ভিত্তি করে প্রয়োগ করা হয়, উত্তরাধিকার Laplace এর নিয়ম , 1 / 2 Krichevsky-Trofimov অনুমান জন্য, অথবা 1 / ঘ Schurmann-Grassberger (1996) মূল্নির্ধারক জন্য। তবে খেয়াল করুন যে আপনি এখানে যা করছেন তা হ'ল আপনি আপনার মডেলটিতে ডেটা-অফ-ডেটা (পূর্বে) তথ্য প্রয়োগ করেন, সুতরাং এটি বৈদেশিক স্বাদ পেয়ে যায় Bay এই পদ্ধতির ব্যবহারের সাথে আপনার নিজের ধারণাগুলি মনে রাখতে হবে এবং সেগুলি বিবেচনায় নিতে হবে। আমাদের দৃ strong ় একটি অগ্রাধিকার আছেβ11 / 2২ / ঘআমাদের ডেটাতে কোনও শূন্য সম্ভাবনা থাকা উচিত না এমন জ্ঞান সরাসরি এখানে বায়েশিয়ান পদ্ধতির ন্যায্যতা দেয়। আপনার ক্ষেত্রে আপনার ফ্রিকোয়েন্সি না থাকলেও সম্ভাবনা রয়েছে, তাই আপনি শূন্যগুলির সংশোধন করার জন্য কিছু খুব ছোট মান যুক্ত করবেন । তবে খেয়াল করুন যে কিছু ক্ষেত্রে এই পদ্ধতির খারাপ পরিণতি হতে পারে (যেমন লগগুলির সাথে লেনদেন করার সময় ) তাই এটি সতর্কতার সাথে ব্যবহার করা উচিত।
শুরম্যান, টি।, এবং পি। গ্রাসবার্গার। (1996)। প্রতীক ক্রমের এনট্রপি অনুমান। বিশৃঙ্খলা, 6, 41-427।
অ্যারিলি, ডি, টুং অউ, ডাব্লু।, বেন্ডার, আরএইচ, বুদেস্কু, ডিভি, ডায়েটজ, সিবি, গু, এইচ, ওয়ালস্টেন, টিএস এবং জাউবারম্যান, জি (2000)। বিচারকদের মধ্যে এবং তার মধ্যে গড়গত সাবজেক্টিভ সম্ভাবনার অনুমানের প্রভাব। পরীক্ষামূলক মনোবিজ্ঞান জার্নাল: প্রয়োগ, 6 (2), 130।
ব্যারন, জে।, মেলার্স, বিএ, টেটলক, পিই, স্টোন, ই। এবং উঙ্গার, এলএইচ (২০১৪)। একত্রিত সম্ভাবনার পূর্বাভাসকে আরও চরম করার দুটি কারণ। সিদ্ধান্ত বিশ্লেষণ, 11 (2), 133-145।
এরেভ, আই।, ওয়ালস্টেন, টিএস, এবং বুদেস্কু, ডিভি (1994)। একযোগে অতিরিক্ত ও অবিশ্বাস্য: রায় প্রক্রিয়াগুলিতে ত্রুটির ভূমিকা। মানসিক পর্যালোচনা, 101 (3), 519।
কর্মারকর, মার্কিন (1978)। বিষয়গতভাবে ওজনযুক্ত ইউটিলিটি: প্রত্যাশিত ইউটিলিটি মডেলের বর্ণনামূলক বর্ধন। সাংগঠনিক আচরণ এবং মানুষের কর্মক্ষমতা, 21 (1), 61-72।
টার্নার, বিএম, স্টাইভার্স, এম।, মের্কলে, ইসি, বুদেস্কু, ডিভি, এবং ওয়ালস্টেন, টিএস (2014)। পুনরুদ্ধারের মাধ্যমে পূর্বাভাস সমষ্টি। মেশিন লার্নিং, 95 (3), 261-289।
জেনেস্ট, সি। এবং জিদেক, জেভি (1986)। সম্ভাব্যতা বিতরণের সংমিশ্রণ: একটি সমালোচনা এবং একটি টীকাযুক্ত গ্রন্থাগার। পরিসংখ্যান বিজ্ঞান, 1 , 114-135।
সাতোপা, ভিএ, ব্যারন, জে।, ফস্টার, ডিপি, মেলার্স, বিএ, টেটলক, পিই, এবং উঙ্গার, এলএইচ (২০১৪)। একটি সাধারণ লগইট মডেল ব্যবহার করে একাধিক সম্ভাবনার পূর্বাভাসের সংমিশ্রণ। পূর্বাভাসের আন্তর্জাতিক জার্নাল, 30 (2), 344-356।
জেনেস্ট, সি। এবং শেরভিশ, এমজে (1985)। বায়েশিয়ান আপডেট করার জন্য মডেলিং বিশেষজ্ঞের রায়। পরিসংখ্যানগুলির অ্যানালস , 1198-1212।
ডায়েটরিচ, এফ। এবং তালিকা, সি। (2014)। সম্ভাব্য মতামত পুলিং (অপ্রকাশিত)