WikiDer > Hyperprior

Часть серии по
Байесовская статистика
Теория
Допустимое правило принятия решения Байесовская эффективность Байесовская вероятность Вероятностные интерпретации Теорема Байеса Байесовский фактор Байесовский вывод Байесовская сеть Прежний Задний Вероятность Конъюгировать приор Задний прогностический Гиперпараметр Hyperprior Принцип безразличия Принцип максимальной энтропии Эмпирический метод Байеса Правило Кромвеля Теорема Бернштейна – фон Мизеса Критерий Шварца Достоверный интервал Максимальная апостериорная оценка Радикальный вероятности
Методы
Байесовская линейная регрессия Байесовская оценка Приближенное байесовское вычисление Цепь Маркова Монте-Карло
Математический портал
v т е

В Байесовская статистика, а гиперприор это предварительное распространение на гиперпараметр, то есть от параметра предварительное распространение.

Как и в случае с термином гиперпараметр, использование гипер заключается в том, чтобы отличить его от предшествующего распределения параметра модели для базовой системы. Особенно они возникают при использовании сопряженные приоры.

Например, если вы используете бета-распространение для моделирования распределения параметра п из Распределение Бернулли, тогда:

• Распределение Бернулли (с параметром п) это модель базовой системы;
• п это параметр базовой системы (распределение Бернулли);
• Бета-распределение (с параметрами α и β) это прежний распределение п;
• α и β являются параметрами априорного распределения (бета-распределение), следовательно, гиперпараметры;
• Предварительное распределение α и β таким образом гиперприор.

В принципе, можно повторить вышеизложенное: если сам гиперприор имеет гиперпараметры, их можно назвать гипергиперпараметрами и т. Д.

Аналогичным образом можно назвать апостериорное распределение по гиперпараметру гиперпостальным, и, если они принадлежат к одному семейству, назвать их сопряженными гиперраспределениями или сопряженными гиперприорами. Однако это быстро становится очень абстрактным и удаленным от исходной проблемы.

Цель

Гиперприоры, как и сопряженные априорные числа, обеспечивают удобство вычислений - они не изменяют процесс байесовского вывода, а просто позволяют проще описывать и вычислять с помощью априорного.

Неопределенность

Во-первых, использование гиперприора позволяет выразить неопределенность в гиперпараметре: принятие фиксированного априорного значения является предположением, изменение гиперпараметра априорного значения позволяет провести анализ чувствительности на основе этого предположения, а использование распределения по этому гиперпараметру позволяет выразить неопределенность в этом предположении: «предположим, что априор имеет такую ​​форму (это параметрическое семейство), но мы не уверены в том, какими именно должны быть значения параметров».

Распределение смеси

Говоря более абстрактно, если используется гиперприор, то априорное распределение (по параметру базовой модели) само по себе является плотность смеси: это средневзвешенное значение различных априорных распределений (по разным гиперпараметрам), причем гиперприор является взвешиванием. Это добавляет дополнительные возможные распределения (помимо используемого параметрического семейства), поскольку параметрические семейства распределений обычно не выпуклые множества - поскольку плотность смеси равна выпуклое сочетание дистрибутивов, это вообще будет врать за пределами Например, смесь двух нормальных распределений не является нормальным распределением: если взять разные средние (достаточно отдаленные) и смешать 50% каждого из них, получится бимодальное распределение, которое, таким образом, не является нормальным. Фактически, выпуклая оболочка нормальных распределений является плотной во всех распределениях, поэтому в некоторых случаях вы можете сколь угодно точно аппроксимировать данный априор, используя семейство с подходящим гиперприором.

Что делает этот подход особенно полезным, так это использование конъюгированных априорных значений: отдельные конъюгированные априорные элементы легко вычисляются апостериорами, и, таким образом, смесь конъюгированных априорных значений представляет собой одну и ту же смесь апостериорных значений: нужно только знать, как каждое из них сопряжено с предшествующими изменениями. Prior может быть слишком ограничительным, но использование смеси сопряженных априорных значений может дать желаемое распределение в форме, которую легко вычислить. Это похоже на разложение функции по собственным функциям - см. Сопряженный априор: аналогия с собственными функциями.

Динамическая система

Гиперприор - это распределение на пространстве возможных гиперпараметров. Если кто-то использует сопряженные априорные значения, то это пространство сохраняется за счет перехода к апостериорным - таким образом, по мере поступления данных распределение изменяется, но остается в этом пространстве: по мере поступления данных распределение развивается как динамическая система (каждая точка пространства гиперпараметров эволюционирует в обновленные гиперпараметры), с течением времени сходятся, как сходится само предшествующее.

Рекомендации

• Бернардо, Дж. М .; Смит, А. Ф. М. (2000). Байесовская теория. Нью-Йорк: Вили. ISBN 0-471-49464-X.