(学习这部分内容大约需要1.1小时)
摘要
在模型选择中, 我们通常从一组候选模型中选择一个"最优"的模型(基于某种模型评价准则, 比如AIC分数). 然后, 使用这个选定的"最优"模型进行预测. 与这种选择单一最优模型不同的是, 贝叶斯模型平均给每个模型赋予权重, 并进行加权平均确定最终的预测值. 其中, 给某个模型赋予的权重是该模型的后验概率.
预备知识
学习贝叶斯模型平均需要以下预备知识:
- 贝叶斯模型比较(Bayesian model comparison): 贝叶斯模型平均基于与贝叶斯模型比较相同的思想.
核心资源
(阅读/观看以下资源的其中一个)
免费
- Bayesian Model Selection and Model Averaging
位置: All sections except 6 and 9
[链接]
作者: Larry Wasserman
增补资源
(以下内容可根据您的情况自由选择, 你可能发现它们很有用)
免费
-
Bayesian Model Averaging: A Tutorial
位置: Sections 1-3 提供了核心材料 sections 4-7 提供了示例和进一步的技术细节
[链接]作者: Jennifer A. Hoeting,David Madigan,Adrian E. Raftery,Chris T. Volinsky
相关知识
- 可逆跳跃MCMC(Reversible jump MCMC)是一类常被用于贝叶斯模型平均的采样算法.