LegközelebbKövetkező útmutató
AI árrugalmasság becslés
Műszaki
Műszaki ÚTMUTATÓ
A Maximum a posteriori (MAP) becslés a legnagyobb utólagos sűrűségű paraméterértéket választja ki egy folytonos paraméternél, vagy a posterior tömeget egy diszkrét paraméternél, miután az adatvalószínűséget egy korábbi eloszlással kombinálja.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Ellentétben a maximális valószínűség becsléssel, a MAP előnyben részesítheti az előzetes tudással alátámasztott értékeket, és az általános szabályzási büntetések bizonyos előzetes feltételezéseknek felelnek meg.
A Bayes-i következtetés a valószínűséget, amely leírja, hogy a megfigyelt adatok mennyire valószínűek a paraméterértékek alatt, egy előzetes eloszlással kombinálja, amely információkat vagy feltételezéseket képvisel, mielőtt ezeket az adatokat látná. A Bayes-szabály az előző valószínűségi időkkel arányos utólagos eloszlást ad. A Maximum likelihood estimation (MLE) azt a paramétert választja ki, amely maximalizálja a valószínűséget. A Maximum a posteriori becslés (MAP) azt az értéket választja ki, amely maximalizálja az utólagos sűrűséget. A logaritmusok számítása a szorzatokat összegekké alakítja: a log posterior egyenlő log likelihood plusz log prior plusz egy normalizálási állandó, amely nem függ a paraméterektől. A posterior maximalizálása ezért egyenlő a naplózás valószínűségének maximalizálásával plusz a naplózás előtt. Ha a prior középpontja nulla és Gauss, akkor logaritmikus sűrűsége a négyzetes együttható nagyságával arányos negatív tagot ad. A posterior maximalizálása egy valószínűség-alapú veszteség és egy L2 büntetés minimalizálásának felel meg. A Laplace-prior egy abszolút értékű tagot ad, és L1-stílusú büntetést eredményez. A pontos egyenértékűség a valószínűség, az előzetes skálák és a célkitűzés paraméterezésétől függ. Egy hipotetikus kis adatú regresszióban az MLE illeszkedhet egy 8-as együtthatóhoz, mert csak néhány megfigyelés vezeti a becslést. A nulla-központú prior a MAP becslést nulla felé húzhatja. Ez nem önkényes korrekció: a kisebb együtthatók preferálását fejezi ki. Ha ez a prior nem megfelelő, akkor a MAP becslés káros irányba torzulhat. Jelentse be a feltételezéseket, és tesztelje, hogyan változnak a következtetések elfogadható alternatívák mellett. A MAP egy pontbecslést ad vissza, nem a teljes utólagos eloszlást. Hasznos lehet az optimalizáláshoz és a szabályos előrejelzéshez, de nem úgy összegzi a bizonytalanságot, mint a hátsó intervallumok vagy minták. Egy utólagos mód a paraméterezéstől is függhet, mivel a sűrűségek a koordinátarendszerrel transzformálódnak. A valószínűségi sűrűség módusának megkülönböztetése a legnagyobb integrált valószínűségi tömegű paraméterértéktől. Ha a döntések a bizonytalanságon múlnak, nézze meg az utólagos oldalt, ahelyett, hogy önmagában a MAP-ot teljes Bayes-analízisként mutassa be.
Egy hipotetikus lineáris modell nulla középpontú Gauss-féle előtagot használ együtthatóihoz. Az utólagos mód a nagy együtthatókat nulla felé zsugorítja, ami megfelel az L2-stílusú büntetésnek a megfelelő valószínűségi és variancia-feltevéseknek megfelelően.
Egy ritka modell Laplace-előzetes együtthatókat használ. A logprior abszolút értékű büntetéshez járul hozzá, összekapcsolva a MAP becslést az L1 regularizációval.
A megbízhatósági elemzőnek kevés megfigyelése van egy csoportra vonatkozóan, és egy elfogadható arányra összpontosító priort használ. Az eredményül kapott MAP becslés egyensúlyba hozza a megfigyelt valószínűséget és a korábbit; az elemzőknek nyilvánosságra kell hozniuk az előzetes adatokat, és ellenőrizniük kell az érzékenységet.
A kutató összehasonlítja a MAP becslést a gyenge prior alatti maximális valószínűségi becsléssel. Ha az eredmények élesen eltérnek, az adatok korlátozottak lehetnek, vagy az előzetes befolyásoló, motiváló átlátható érzékenységi ellenőrzések lehetnek.
A MAP-munkafolyamatok átláthatóbbak lehetnek, ha a modelljelentés minden egyes büntetést az előző feltételezéshez kapcsol, és érzékenységet mutat a valószínű erősségek között. A csapatoknak el kell különíteniük a prior szerepét a becslések stabilizálásában azoktól az állításoktól, amelyek szerint a prior objektíve igaz. Aszimmetrikus következményekkel vagy jelentős bizonytalansággal járó döntések esetén a teljes utólagos összefoglalók hasznosabbak lehetnek, mint az egyetlen mód. A modellvizsgálat rögzítheti az előzetes skálát, a valószínűséget és a paraméterezést, majd tesztelheti, hogy az ajánlások változnak-e az alternatívák alatt. A jobb interfészeknek láthatóvá kell tenniük ezeket a feltételezéseket anélkül, hogy a regularizációt rejtett technikai beállításként mutatnák be.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A Maximum a posteriori (MAP) becslés a legnagyobb utólagos sűrűségű paraméterértéket választja ki egy folytonos paraméternél, vagy a posterior tömeget egy diszkrét paraméternél, miután az adatvalószínűséget egy korábbi eloszlással kombinálja. Ellentétben a maximális valószínűség becsléssel, a MAP előnyben részesítheti az előzetes tudással alátámasztott értékeket, és az általános szabályzási büntetések bizonyos előzetes feltételezéseknek felelnek meg.
A MAP kiválasztja a paraméter értékét, maximalizálva a posterior denzitást, arányosan az előtti valószínűségi időkkel.
Az MLE maximalizálja az adatok valószínűségét előzetes kifejezés hozzáadása nélkül.
A nulla középpontú Gauss-féle negatív log-sűrűsége arányos az együttható nagyságának négyzetével.
A Laplace-prior negatív logsűrűsége arányos az abszolút együttható nagyságával.
A MAP egyensúlyban tartja a valószínűséget és az előzetest, így a prior befolyásolhatja a becsléseket, különösen akkor, ha a bizonyítékok korlátozottak.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AI árrugalmasság becslés
Műszaki