একটি হায়ারারিকিকাল মডেল , আমি মডেলটি ফিট করার জন্য একটি দুটি পর্যায় প্রক্রিয়া চাই। প্রথমে কয়েকটি হাইপারপ্যারামিটার ঠিক করুন এবং তারপরে বাকী প্যারামিটারগুলি বায়েশিয়ান অনুমান করুন । হাইপারপ্যারামিটারগুলি ঠিক করার জন্য আমি দুটি বিকল্প বিবেচনা করছি।θ ϕ
- এমিরিকাল বেইস (ইবি) ব্যবহার করুন এবং প্রান্তিক সম্ভাবনা সর্বাধিক করুন মডেলটির বাকী একীভূত করুন যাতে উচ্চ মাত্রিক পরামিতি রয়েছে)।
- ক্রস বৈধকরণ (সিভি) কৌশলগুলি ব্যবহার করুন যেমন ফোল্ড ক্রস বৈধকরণ চয়ন করতে যা সম্ভাবনা থিতা ) সর্বাধিক করে তোলে ।θ পি ( পরীক্ষার ডেটা | প্রশিক্ষণ ডেটা , θ )
EB এর সুবিধাটি হ'ল আমি একবারে সমস্ত ডেটা ব্যবহার করতে পারি, যখন সিভি-র জন্য আমার একাধিকবার মডেল সম্ভাবনাটি গুনতে (enti সম্ভাব্য) প্রয়োজন এবং । অনেক ক্ষেত্রে (*) ইবি এবং সিভির পারফরম্যান্স তুলনীয়, এবং প্রায়শই EB অনুমান করা দ্রুত হয়।
প্রশ্ন: এমন কোন তাত্ত্বিক ভিত্তি রয়েছে যা দুটিকে সংযুক্ত করে (বলুন, বড় ডেটার সীমাতে ইবি এবং সিভি একই রকম)? বা ইমিবিরিকাল ঝুঁকির মতো কিছু সাধারণীকরণের মানদণ্ডে ইবিকে লিঙ্ক করে? কেউ কি কোনও ভাল রেফারেন্স উপাদানকে নির্দেশ করতে পারেন?
(*) উদাহরণ হিসাবে, এখানে মারফি মেশিন লার্নিংয়ের ,..6.৪ বিভাগের একটি চিত্র রয়েছে যেখানে তিনি বলেছেন যে রিজ রিগ্রেশনের জন্য উভয় পদ্ধতিরই একই রকম ফল পাওয়া যায়:
মারফি আরও বলেছে যে সিভি ব্যবহারের ক্ষেত্রে বৌয়েস (তিনি এটিকে "প্রমাণ পদ্ধতি" বলে) এর নীতিগত ব্যবহারিক সুবিধাটি তখন হয় যখন অনেক হাইপার-প্যারামিটার থাকে (যেমন প্রতিটি বৈশিষ্ট্যের জন্য পৃথক জরিমানা, যেমন স্বয়ংক্রিয় প্রাসঙ্গিকতা নির্ধারণ বা এআরডি)। সেখানে সিভি ব্যবহার করা মোটেই সম্ভব নয়।