전통적인 잦은 통계 영역에서 예측 모델을 검증하기위한 방법 및 소프트웨어 개발에 많은 시간을 투자했습니다 . 더 많은 베이지안 아이디어를 실천하고 가르치면서 나는 수용해야 할 몇 가지 중요한 차이점을 봅니다. 먼저, 베이지안 예측 모델링은 분석가에게 후보 기능에 맞게 사용자 정의 할 수있는 이전 분포에 대해 열심히 생각하도록 요구하며, 이러한 사전은 모델을 이들쪽으로 향하게 할 것입니다 (즉, 다른 예측 기능에 대해 서로 다른 양의 벌점으로 축소 / 벌칙 / 정규화를 달성합니다) ). 둘째, "실제"베이지안 방식은 단일 모형을 생성하지 않지만 예측에 대한 전체 후방 분포를 얻습니다.
베이지안 기능을 염두에두고 과잉 적합이란 무엇입니까? 평가해야합니까? 그렇다면 어떻게? 베이지안 모델이 현장에서 신뢰할 수있는시기를 어떻게 알 수 있습니까? 아니면 우리가 예측을 위해 우리가 개발 한 모델을 사용할 때 후부가 이후의주의를 기울이는 불확실성을 모두 수반 할 것입니까?
베이지안 모형을 단일 평균 (예 : 후방 평균 / 모드 / 중앙 위험)으로 증류하도록하면 사고 방식이 어떻게 변할까요?
여기에 관련된 생각이 있습니다 . 여기 에서 병렬 토론을 찾을 수 있습니다 .
후속 질문 : : 우리가 완전히 베이지안이고 데이터를보기 전에 이전에 대해 생각하는 데 시간을 보내고 데이터 가능성이 적절하게 지정된 모델에 적합하면 과적 합과 관련하여 모델에 만족해야합니다. ? 또는 무작위로 선택된 주제가 평균적으로 잘 예측 될 수있는 빈번한 세계에서 우리가하는 일을해야합니까? 그러나 예측이 매우 낮은 주제 또는 예측 된 값이 매우 높은 주제를 선택하면 회귀가 발생합니다 평균적으로?