Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Dbda勉強会

1,961 views

Published on

  • Be the first to comment

  • Be the first to like this

Dbda勉強会

  1. 1. C H AP 6 DBDA勉強会
  2. 2. 構造 M θ D Y
  3. 3. 導入  公式を使う積分なんていらない・・・  それでも、おおよその事後確率を求める技法を紹介 しちゃうよ! ↓ θを細かく分割して連続値での事前確率を使用  各θの事前確率まで求められちゃう
  4. 4. θが離散値のベイズの定理 D=H.Tの組 み合わせ θ=P(H) 0.25 D(1.1 2) D(2.1 1) ・・・ D=H.Tの組 み合わせ θ=P(H) 0.5 D(1.1 2) D(2.1 1) ・・・ D=H.Tの組 み合わせ θ=P(H) 0.75 D(1.1 2) D(2.1 1) ・・・ 1~0までの連続 値を考えてき た・・・ 例)beta分布
  5. 5.  連続値を離散値にするときの注意点 各間隔の真ん中の値用いてる 確率の“SUM=1”のままなんだ  積分の面積が十分密度が濃ければ 近似値は十分正確になるよね。。;
  6. 6. Example : 近似させた事前確率  離散値は連続値をプロットしただけだから変わらな いよね・・って言ってます  事前確率θ(ベータ関数みたいに数学的処理関係な い) =各事前確率θの集合  事後確率の関数自体が荒い作りのため ベイズの定理の離散値バージョンを用いてます
  7. 7. Example : 近似させた事前確率
  8. 8. Example : 近似させた事前確率  荒いようにみえる連続値でも より詳細な近似とおんなじなんだから P(D)の推定という観点でもいい仕事できてるよ!  最高密度の部分区間は近似した近似のグラフでは正 確さが欠けている(事前確率や尤度とは異なり) 信頼区間が近似値の部分区間の規定と同様に 詳細に数値をもとめているから
  9. 9. Example : 近似させた事前確率
  10. 10.  近似にすることでのメリット! 任意の事前確率分布について ベータ関数では正確にこのように事前確率を模倣 できないし、ベータ関数だと扱える範囲が有限だ!
  11. 11.  近似において規定された事後確率の集合の表  これでパラメーターも推定できちゃうよね♪
  12. 12. 推定  • 近似なら本来2峰になるデータにも対応できるんだそう
  13. 13. 予測 
  14. 14. モデルの比較 
  15. 15. モデル比較 

×