বায়েশীয় বিশ্লেষণের কনস কী?

Question

কোন প্রসঙ্গে বায়েশিয়ান পরিসংখ্যান পদ্ধতি ব্যবহার সম্পর্কে কিছু ব্যবহারিক আপত্তি কি? না, আমি পূর্বের পছন্দ সম্পর্কে সাধারণ কার্পিং বলতে চাইছি না। এর কোনও উত্তর না পেলে আমি আনন্দিত হব।

Comments

প্রশ্নটি ঠিকঠাক করা হয়েছে, তবে মন্তব্যগুলি ঠিক তর্ক করার লাইনের দিকে চলেছে এবং সেই লাইনের ভুল দিকটি ছড়িয়ে দেওয়ার হুমকি দিচ্ছে। সাবধানতা অবলম্বন করুন ... এই জাতীয় বিতর্কের জায়গা নয়। আপনি যদি এটি করতে চান তবে একটি চ্যাট রুম তৈরি করুন।

— হোবার

Answer 1

আমি আপনাকে একটি উত্তর দিতে যাচ্ছি। চারটি ঘাটতি আসলে। মনে রাখবেন যে এগুলির কোনওটিই আসলে আপত্তি নয় যা ঘন ঘনবাদী বিশ্লেষণের সমস্ত পথে চালিত হওয়া উচিত তবে বায়েশিয়ান কাঠামোর সাথে চলার পক্ষে মতামত রয়েছে:

1. পূর্বের পছন্দ। এটি একটি কারণ হিসাবে সাধারণ কার্পিং, যদিও আমার ক্ষেত্রে এটি স্বাভাবিক নয় "প্রিরিয়াররা বিষয়ভিত্তিক!" তবে এটি এমন কোনও পূর্বরূপে উপস্থিত হওয়া যা যথাযথ যুক্তিযুক্ত হয় এবং প্রকৃতপক্ষে পূর্বের সংক্ষিপ্তকরণে আপনার সেরা প্রচেষ্টাটির প্রতিনিধিত্ব করা অনেক ক্ষেত্রে কাজ করার একটি দুর্দান্ত কাজ। আমার গবেষণামূলক পুরো লক্ষ্যটিকে উদাহরণস্বরূপ, "অনুমানক প্রিয়ারস" হিসাবে সংক্ষিপ্ত করা যেতে পারে।
2. এটি গণনামূলকভাবে নিবিড়। বিশেষত অনেকগুলি ভেরিয়েবল জড়িত মডেলগুলির জন্য। অনেকগুলি ভেরিয়েবলযুক্ত বৃহত ডেটাসেটের জন্য, এটি খুব ভালভাবে নিষিদ্ধভাবে গণনামূলকভাবে নিবিড় হতে পারে, বিশেষত এমন কিছু পরিস্থিতিতে যেখানে ডেটা সহজেই কোনও গুচ্ছ বা এর মতো ফেলা যায় না। এটি সমাধানের কয়েকটি উপায় যেমন এমসিসিএমির চেয়ে অগমেন্টেড ডেটা, কিছুটা তাত্ত্বিকভাবে আমার পক্ষে চ্যালেঞ্জযুক্ত, কমপক্ষে আমার কাছে।
3. পোস্টেরিয়র ডিস্ট্রিবিউশনগুলি মেটা-বিশ্লেষণে অন্তর্ভুক্ত করা আরও কিছুটা কঠিন, যদি না কোনও বিতরণটির ঘন ঘনবাদী, প্যারাম্যাট্রিক বিবরণ সরবরাহ না করা হয়।
4. বিশ্লেষণটি কী জার্নালের জন্য নির্ধারিত তা নির্ভর করে সাধারণত বায়েসের ব্যবহার, বা আপনার পছন্দসই প্রবীণরা আপনার কাগজটিকে কিছুটা আরও বেশি পয়েন্ট দেয় যেখানে কোনও পর্যালোচক এতে খনন করতে পারে। এর মধ্যে কিছু যুক্তিসঙ্গত পর্যালোচক আপত্তি, তবে কিছু কেবল বেয়েসের প্রকৃতি এবং কিছু ক্ষেত্রের পরিচিত লোকেরা এর সাথে কীভাবে তা থেকে শুরু করে।

এই জিনিসগুলির কোনওটিই আপনাকে থামানো উচিত নয়। বস্তুত, এই জিনিস কেউ আমাকে বন্ধ করেছি এবং আশা করছি করছেন Bayesian বিশ্লেষণ ঠিকানা অন্তত সংখ্যা 4 সাহায্য করবে।

Comments

# 1, এটি আদর্শভাবে প্রথম পর্যায়ের বিশ্লেষণ হওয়া উচিত। কলা একটি হালকা পর্যালোচনা। বিজ্ঞানে একটি পরিমাণগত আলোকিত পর্যালোচনা। বেয়েশিয়ানরা এ সম্পর্কে ক্ষমাশীল হওয়া উচিত নয়। যদি freqs ডেটা কাছে যান যেমন তারা আদম এবং ইভ - ঠিক আছে। আমার পিএইচডি এর প্রথম অধ্যায়টি একটি মেটা-বিশ্লেষণ (যদিও ঘন ঘন ঘন ঘন ঘন ঘন ঘন ঘন বিশেষজ্ঞ) ist এভাবেই হওয়া উচিত। # 2 মুর আইন, আমি স্থানীয় হাই পারফরম্যান্স কম্পিউটিং গ্রুপের সাথে একটি সংক্ষিপ্ত এবং এক্সকেসিডি ভিত্তিক আলোচনা পেয়েছি যা অনেক সাহায্য করতে পারে। # 3 মেটা বিশ্লেষণ যেভাবেই সফল হয়। আমি বাধ্যতামূলক রোলিং মেগা-বিশ্লেষণের পক্ষে হয়ে থাকব অন্য কথায় - আপনি প্রকাশ করার সময় আপনার ডেটা সরবরাহ করুন।

— রোজার 21

@ গ্রাহক কয়েকটি চিন্তা। # 1। প্রকৃতপক্ষে একটি হালকা পর্যালোচনা হওয়া উচিত, এবং হ্যাঁ, এটি প্রথম ধাপে হওয়া উচিত। তবে একটি সঠিক বায়েশীয় বিশ্লেষণ যা সঠিকভাবে বিভ্রান্তির জন্য নিয়ন্ত্রণ করে তার মডেলের অন্তর্ভুক্ত করার জন্য প্রতিটি ভেরিয়েবলের একটি পূর্ণ, পরিমাণগত আলোকিত পর্যালোচনা প্রয়োজন । এটি কোনও ছোট কাজ নয়। # 2। মুর আইনের উপর নির্ভর করে একটি খারাপ ধারণা। প্রথমত, সাম্প্রতিক লাভগুলি বেশিরভাগ মাল্টি-কোর / জিপিইউ সিস্টেমে করা হয়েছে। এর জন্য এটির জন্য লিখিত সফ্টওয়্যার এবং সমান্তরাল প্রক্রিয়াকরণ থেকে প্রাপ্ত সমস্যাগুলি দরকার। এমসিএমসির সাথে সম্পন্ন একক জিএলএম মডেল এটি নাও হতে পারে। চলছে ...

— Fomite

@ গ্রাহক এবং এইচপিসির সাথে এমন সময় থাকতে পারে যে উত্তরটি অগত্যা নয়। উদাহরণস্বরূপ, আমি এমন জায়গাগুলিতে কাজ করি যেখানে ডেটা চুক্তি ব্যবহার করে এবং এর মতো প্রায়শই সুরক্ষিত সিস্টেমগুলি ছাড়াও জিনিসগুলিতে ডেটা সংরক্ষণ করা থেকে বিরত থাকে। স্থানীয় ক্লাস্টার ... তা নয়। এবং শেষ অবধি, মুরের আইন কেবলমাত্র আপনার হার্ডওয়ারের বাজেটের মতোই দুর্দান্ত। # 3 এবং মেটা-বিশ্লেষণ হিসাবে, আমি একমত নই, তবে এর বাইরেও পুরোপুরি ওপেন-ডেটা সিস্টেমটি আদর্শ না হওয়া পর্যন্ত এটি এখনও সমস্যা থেকেই যায়।

— ফোমাইট 21

ঠিক আছে আমি # 3 অত্যুক্তি। তবে প্রতিটি পূর্বসূরীর উপর আপনার পূর্বের ফলাফলটির জন্য কতটা পার্থক্য করে? srsly? সংবেদনশীলতা বিশ্লেষণ কি বিশাল পার্থক্য দেখায়?

— রোজার

@ রজার এটি সম্ভবত আপনার ভবিষ্যদ্বাণীকারীর প্রকৃতি এবং এক্সপোজার এবং ফলাফলের সাথে এর সম্পর্কের উপর নির্ভর করে। সংবেদনশীলতা বিশ্লেষণ করতে গেলে কারও কারও কাছে এই সমস্ত ভেরিয়েবলগুলির জন্য পূর্বের ব্যবস্থা থাকতে হবে। সম্ভবত আমি এটিকে আমার গবেষণার সাইড-বিট হিসাবে যুক্ত করব। আমি বেয়েসের শক্তিও খুঁজে পেয়েছি তবে কিছুটা সমস্যাযুক্ত যেখানে ভেরিয়েবলগুলিতে "আমি খুঁজে বের করতে বিরক্ত হতে পারি না" তা অনুজ্ঞামুক্ত প্রবীণদের ধরে নিয়েছি।

— Fomite

Answer 2

আমি ঝোঁক দ্বারা একটি বায়েশিয়ান, তবে সাধারণত অনুশীলনে ঘন ঘন। এর কারণ সাধারণত হ'ল আমি যে ধরণের সমস্যার জন্য আগ্রহী সেগুলির জন্য পুরো বায়েশিয়ান বিশ্লেষণ সঠিকভাবে করা (উদাহরণস্বরূপ এমএপি সমাধানের চেয়ে) সঠিকভাবে করা জটিল এবং গণ্যতর নিবিড়। ঘন ঘন সমতুল্য সমতুল্যতার চেয়ে এই পদ্ধতির সুবিধা দেখতে সত্যিই একটি পূর্ণ বায়েশীয় বিশ্লেষণ প্রয়োজন।

আমার জন্য, বাণিজ্য বন্ধটি মূলত বায়েশিয়ান পদ্ধতিগুলির মধ্যে একটি পছন্দ যা ধারণাগতভাবে মার্জিত এবং বুঝতে সহজ, তবে অনুশীলন এবং ঘন ঘনবাদী পদ্ধতিতে প্রয়োগ করা কঠিন, যা ধারণাগতভাবে বিশ্রী এবং সূক্ষ্ম (কোনও অনুমানের পরীক্ষাকে সঠিকভাবে ব্যাখ্যা করার জন্য ব্যাখ্যা করার চেষ্টা করুন বা কেন 95% এর সম্ভাবনা নেই যে প্রকৃত মান 95% আত্মবিশ্বাসের ব্যবধানের মধ্যে রয়েছে), তবে যা সহজেই "কুকবুক" সমাধানগুলিতে কার্যকর হয়।

ভিন্ন ভিন্ন মানুষ ভিন্ন ভিন্ন জিনিস এর জন্য উপযোগী.

Answer 3

খাঁটি ব্যবহারিক দৃষ্টিকোণ থেকে, আমি এমন পদ্ধতির অনুরাগী নই যার জন্য প্রচুর গণনা প্রয়োজন (আমি গিবস স্যাম্পলার এবং এমসিএমসি সম্পর্কে ভাবছি যা প্রায়শই বয়েশিয়ান কাঠামোর ক্ষেত্রে ব্যবহৃত হয়, তবে এটি ঘন ঘনবাদী বিশ্লেষণে উদাহরণস্বরূপ বুটস্ট্র্যাপ কৌশলগুলির ক্ষেত্রেও প্রযোজ্য )। কারণ হ'ল যে কোনও ধরণের ডিবাগিং (বাস্তবায়নের পরীক্ষা করা, অনুমানের প্রতি দৃ rob়তার দিকে তাকাতে ইত্যাদি ) নিজেই মন্টি কার্লো সিমুলেশনগুলির একটি গুচ্ছ প্রয়োজন, এবং আপনি দ্রুত একটি গণনামূলক মনোবল নিয়ে এসেছেন। আমি অন্তর্নিহিত বিশ্লেষণ কৌশলগুলি কেবলমাত্র আনুমানিক হলেও, দ্রুত এবং নির্মাতাকে পছন্দ করি।

এটি নিখুঁত ব্যবহারিক আপত্তি, অবশ্যই: অসীম কম্পিউটিং সংস্থান প্রদত্ত, এই আপত্তিটি অদৃশ্য হয়ে যাবে। এবং এটি কেবল বায়েশিয়ান পদ্ধতিগুলির একটি উপসেটের জন্য প্রযোজ্য। এছাড়াও এটি আমার কর্মপ্রবাহকে দেওয়া পছন্দ হিসাবে বেশি।

Comments

এখনও অবধি আমি শুনছি 1. মুর'এ আইন, 2. কঠোর পরিশ্রম +/- ধৈর্য এবং 3. অজ্ঞতা। বলতে হবে এগুলির কোনওটিই বিশ্বাসযোগ্য নয়। বেয়েসকে এ জাতীয় ওভার-আর্চিংয়ের উদাহরণ বলে মনে হচ্ছে। উদাহরণস্বরূপ ... জিডব্লিউএএস স্টাডিজ কেন এ-লা বেয়েস বিশ্লেষণ করা হয়নি। তারা কি 99.999% ডেটা ফেলে দেওয়া আটকাতে পারত?

— রোজার 21

বিপরীতে: এমসিএমসি একজনকে দ্রুত কোড লিখতে এবং সিমুলেশনগুলি সম্পূর্ণ হওয়ার অপেক্ষার যন্ত্রণা থেকে শিখতে পারে। মডেলিংয়ের ক্ষেত্রে এটি আমার অভিজ্ঞতা: এটি চালাতে যদি দীর্ঘ সময় লাগে তবে কীভাবে কোডটি আরও দ্রুত তৈরি করা যায় তা শিখলে আমি উপকৃত হতে পারি।

— ইটেটর

Answer 4

কখনও কখনও একটি সমস্যার একটি সহজ এবং প্রাকৃতিক "শাস্ত্রীয়" সমাধান রয়েছে, সেক্ষেত্রে অভিনব বায়েশিয়ান পদ্ধতি (বিশেষত এমসিসিসি সহ) অতিরিক্ত ওভারকিল হবে।

তদতিরিক্ত, পরিবর্তনশীল নির্বাচনের ধরণের সমস্যার ক্ষেত্রে, দণ্ডিত সম্ভাবনার মতো কিছু বিবেচনা করা আরও সহজ এবং স্পষ্ট হতে পারে; মডেলগুলির ক্ষেত্রে পূর্বের উপস্থিতি থাকতে পারে যা সমমানের বায়েশিয়ান পদ্ধতির প্রস্তাব দেয় তবে কীভাবে পূর্বের চূড়ান্ত পারফরম্যান্সের সাথে সামঞ্জস্য হয় পেনাল্টি এবং পারফরম্যান্সের মধ্যকার সম্পর্কের চেয়ে কম স্পষ্ট হতে পারে।

পরিশেষে, এমসিএমসি পদ্ধতিগুলি প্রায়শই অভিভাবক / মিশ্রণের মূল্যায়ন এবং ফলাফলগুলি বোঝার জন্য বিশেষজ্ঞের প্রয়োজন হয়।

Answer 5

আমি তুলনামূলকভাবে বায়েশিয়ান পদ্ধতিতে নতুন, তবে একটি বিষয় যা আমাকে ঘৃণা করে তা হ'ল আমি যখন প্রিয়ারদের যুক্তি বুঝতে পেরেছি (অর্থাত বিজ্ঞান একটি সংহতিমূলক প্রচেষ্টা, সুতরাং বেশিরভাগ প্রশ্নের জন্য কিছুটা পূর্ববর্তী অভিজ্ঞতা / চিন্তাভাবনা রয়েছে যা আপনার অবহিত করা উচিত উপাত্তের ব্যাখ্যা), আমি পছন্দ করি না যে বায়েসিয়ান পদ্ধতির আপনাকে বিশ্লেষণের শুরুতে সাবজেক্টিভিটি ঠেকাতে বাধ্য করবে, শেষের ফলাফলের পরিসংখ্যান উপস্থাপন করে। আমি বিশ্বাস করি যে এটি দুটি কারণে সমস্যাযুক্ত: ১) কিছু কম পারদর্শী পাঠকরা এমনকি প্রিয়ারদের দিকেও মনোযোগ দেবেন না, এবং বয়েসিয়ান ফলাফলকে অ-কন্টিনজেন্ট হিসাবে ব্যাখ্যা করবেন; 2) কাঁচা ডেটা উপলব্ধ না হলে পাঠকদের পক্ষে তাদের নিজস্ব সাবজেক্টিভ প্রিয়ারের ফলাফলগুলি পুনরায় প্রকাশ করা কঠিন। এ কারণেই আমি সম্ভাবনা অনুপাত পছন্দ করি,

(আশ্চর্য সমালোচকরা নোট করবেন যে এমনকি সম্ভাবনা অনুপাতটি "অনুভূত" অর্থে যে এটি তুলনামূলকভাবে মডেলগুলির প্যারামিটারাইজেশনের উপর নির্ভরশীল; তবে এটি সমস্ত পদ্ধতি, ফ্রিকোয়ালিস্ট, বেয়েসিয়ান এবং সম্ভাবনাবিদদের দ্বারা ভাগ করা একটি বৈশিষ্ট্য)

Comments

ঘন ঘন স্ট্যাটিসটিক্সের সাথে কনভার্স সমস্যাটি হ'ল সাবজেক্টিভিটি রয়েছে তবে এটি মোটেই উল্লেখ করা হয়নি। সম্ভাবনা অনুপাতের সাথে (ব্যবহারিক) সমস্যা হ'ল তারা সম্ভাবনাটি অনুকূল করার উপর ভিত্তি করে এবং তাই এই সমস্যাটিকে এড়িয়ে যান যে সম্ভাবনাগুলি সামান্য কম হওয়ার সাথে সাথে অন্যান্য সমাধানও হতে পারে। সেখানেই বেয়েস ফ্যাক্টর কার্যকর। তবে এটি সর্বদা "কোর্সের জন্য ঘোড়া"।

— ডিকরান মার্শুপিয়াল

Answer 6

সিদ্ধান্ত তত্ত্ব হ'ল অন্তর্নিহিত তত্ত্ব যা ভিত্তিতে পরিসংখ্যান পরিচালনা করে। সমস্যাটি হ'ল ডেটা থেকে সিদ্ধান্ত নেওয়ার জন্য একটি ভাল (কিছু অর্থে) পদ্ধতি খুঁজে পাওয়া। তবে, প্রত্যাশিত ক্ষয়ক্ষতি হ্রাস করার অর্থে খুব কমই পদ্ধতিতে একটি দ্ব্যর্থহীন পছন্দ রয়েছে, সুতরাং অন্যান্য মানদণ্ডগুলি অবশ্যই তাদের মধ্যে চয়ন করতে হবে। কিছু পূর্বের সম্মানের সাথে বেয়েস পদ্ধতিগুলি নির্বাচন করা এই মানদণ্ডগুলির মধ্যে একটি, তবে আপনি সর্বদা যা চান তা এটি নাও হতে পারে। মিনিম্যাক্স কোনও ক্ষেত্রে বা নিরপেক্ষতার ক্ষেত্রে আরও গুরুত্বপূর্ণ হতে পারে।

যে কেউ জোর দিয়ে বলেন যে ঘন ঘনবাদীরা ভুল বা বেইশিয়ানরা বা ভুল এটি বেশিরভাগই তাদের পরিসংখ্যান সম্পর্কে অজ্ঞতা প্রকাশ করে।

Answer 7

কিছু সময়ের জন্য আমি আমার কার্সারি বোঝার অতীতটি অর্জনের জন্য মডেলিংয়ের দিকে বায়েশিয়ান পদ্ধতির বিষয়ে নিজেকে আরও শিক্ষিত করতে চেয়েছিলাম (আমি স্নাতক কোর্সের কাজে গিবস স্যাম্পেলারদের কোড করেছি, তবে কখনও সত্যিকারের কিছুই করি নি)। পথে যদিও আমি ভেবেছি ব্রায়ান ডেনিসের কিছু কাগজপত্র উত্তেজক হয়ে উঠেছে এবং আমি কামনা করেছি যে আমি কোনও বায়েশিয়ান বন্ধুকে (যারা পায়খানাতে ছিল না তারা) কাগজপত্র পড়তে এবং তাদের প্রতিদ্বন্দ্বী শুনতে পাব। সুতরাং, আমি যে কাগজপত্রগুলি উল্লেখ করছি তা এখানে রয়েছে, তবে আমার উক্তিটি সর্বদা মনে রাখে

বায়েশিয়ান হওয়ার অর্থ কখনই আপনার ভুল বলার দরকার নেই।

http://facchool.washington.edu/skalski/class/QERM597/papers/Dennis_1996.pdf http://classes.warnercnr.colostate.edu/nr575/files/2011/01/Lele-and-Dennis-2009.pdf

Comments

প্রথম কাগজটি (দ্বিতীয়টি পড়েনি) তত্ত্বের তুলনায় বেয়েসকে কীভাবে অনুশীলন করা হয় সে সম্পর্কে আরও বেশি মনে হয়। অনুশীলনে মডেলদের যতটা করা উচিত তত কঠোরভাবে পরীক্ষা করা হয় না, তবে তাত্ত্বিকভাবে বেইসিয়ান পরিসংখ্যানগুলিতে জেনেসের "প্রমাণ" নামে উচ্চতর মডেল চেক সুবিধাগুলি রয়েছে, যা বেয়েসের নিয়মের ডিনোমিনেটর পি (ডি | মডেল) -তে মূর্ত রয়েছে। এটির সাহায্যে আপনি একটি মডেলগুলির যথাযথতা তুলনা করতে পারেন, এমন কিছু যা আপনি কেবল ঘনঘনবাদী পরিসংখ্যানগুলিতে অভিজ্ঞতার সাথে করতে পারেন। অবশ্যই সমস্যাটি হ'ল প্রমাণগুলি গণনা করা শক্ত, তাই বেশিরভাগ লোকেরা এটিকে উপেক্ষা করে এবং মনে করেন যে

— উত্তরোত্তরটি সর্বাপেক্ষা

পর্তুগীজ ভাষায়। 2 "স্কিলিং নেস্টেড স্যাম্পলিং" গুগল করার চেষ্টা করুন এবং প্রমাণগুলি গণনার জন্য আপনি একটি এমসিএমসি পদ্ধতিতে একটি কাগজ পাবেন। (অন্যান্য, প্রমাণ-প্রমাণ ভিত্তিক মডেল চেক করার পদ্ধতিগুলিও রয়েছে: গেলম্যান উত্তরোত্তর ভবিষ্যদ্বাণীমূলক থেকে নমুনা তৈরি করে এবং তার (দৃশ্যত বা অন্যথায়) সত্য উপাত্তের সাথে তুলনা করে তার মডেলগুলি পরীক্ষা করে)) কিছু লোক এমনকি এমনও পরামর্শ দেয় যে মডেলগুলি দেখে গড় নেওয়া উচিত should নিজেকে প্রান্তিক করার জন্য মডেলগুলির স্থান। আমরা দিগন্তের আরও একটি জিনিস দেখতে পাচ্ছি হ'ল ননপ্যারমেট্রিক বেইস, যা প্রচলিত প্যারামেট্রিক মডেলের চেয়ে অনেক বেশি বিস্তৃত মডেলকে মঞ্জুরি দিয়ে বিষয়টি সমাধান করে।

— cespinoza

এছাড়াও, আমি আপনাকে ভিডিও ইলেক্ট্রনিক্স.এন.এম.এল.এস.এস .9uk_jordan_bfway মাইকেল আই জর্দান লিখেছেন , যিনি বার্কলে একজন প্রফেসর যিনি অনুমিত বায়েস বনাম ফ্রেইকের সম্পর্কে তার মতামতে বেশ ভারসাম্যপূর্ণ। "যুদ্ধ"। প্রথম কাগজের দ্বিতীয়ার্ধে আমি সত্যই মন্তব্য করতে পারি না খ / সি আমি বাস্তু সংক্রান্ত কোনও রেফারেন্স জানি না। আমি দ্বিতীয়টি পরে পড়ব।

— cespinoza

@ এস্পিনোজা: আমি কাজ করার পথে এটি ভাবছিলাম। কাগজটি বলেছে যে কোনও বায়েশিয়ান কখনই অবশিষ্টাংশের দিকে নজর দেবে না (অর্থাত্ প্রকৃত তথ্যের সাথে মডেল আউটপুট তুলনা করবে), এবং সম্ভবত কোনও তীব্র বায়েশিয়ান এটিকে নীতিগত দিক থেকে রক্ষা করতে পারে তবে গেলম্যানের মতো অনুশীলনকারীরা অবশ্যই মডেল আউটপুট (ভবিষ্যদ্বাণীমূলক উত্তর) তুলনা করে আসল উপাত্তের সাথে। আমি আরও যেতে যথেষ্ট জানি না, তবে আমার কাগজপত্র সম্পর্কে আমার ধারণা হ'ল তারা "নীতিগতভাবে" খড়ের লোকদের আক্রমণ করার জন্য স্থাপন করেছিলেন।

— ওয়েইন

কেবল যুক্ত করুন যে কোনও বায়েশিয়ান যাঁর অবশিষ্টাংশগুলি যাচাই করেন না তিনি একজন খারাপ পরিসংখ্যানবিদ। সাধারণত, একটি বায়েশিয়ান পদ্ধতিটি "রুক্ষ এবং প্রস্তুত" মডেল এবং পূর্ববর্তী সহ ব্যবহৃত হয়। অবশিষ্টগুলি পরীক্ষা করে দেখার এক উপায় যা আপনি পূর্বের এবং মডেলটিতে যথেষ্ট পরিমাণে জ্ঞান পেয়েছেন কিনা। আপনার মডেলটি এবং এর পূর্বে কী তাত্ত্বিক বৈশিষ্ট্য রয়েছে তা যাচাইয়ের সাথে এটি একসাথে চলে গেছে

— সম্ভাব্যতাব্লোগিক

Answer 8

আইএসবিএ ত্রৈমাসিক নিউজলেটার তালিকা থেকে বায়েসিয়ান পরিসংখ্যানগুলির উন্মুক্ত সমস্যাগুলি কী ক্ষেত্রের বিভিন্ন নেতার বায়সিয়ান পরিসংখ্যানগুলির সাথে 5 টি সমস্যা, # 1 হওয়ায় যথেষ্ট বিরক্তিকর, "মডেল নির্বাচন এবং অনুমান পরীক্ষা" is

Comments

বিরক্তিকর কেন ?! এটি পরিসংখ্যানগত পদ্ধতির সর্বাধিক ঘন ব্যবহার।

— শি'য়ান