Байесовский : являющийся, относящийся к или включающий статистические методы, которые присваивают вероятности или распределения событиям (например, дождь завтра) или параметры (как среднее значение совокупности) на основе опыта или наилучших предположений до экспериментов и сбора данных и которые применяют теорему Байеса для пересмотра вероятности и распределения после получения экспериментальных данных.

Вывод или оценка модели — это процесс обновления вероятностей результатов на основе отношений в модели и данных, известных о текущей ситуации.

  1. Как указано в подзаголовке, в основе байесовского вывода лежит теорема Байеса —

В приведенной выше формуле
Pr(A/B) : апостериорная
Pr(B/A) : вероятность
Pr(A), Pr(B) : априорная

2. Для вывода на основе модели мы заменяем A и B терминами, как показано ниже:

Здесь,

3. Чтобы понять, что представляют априорные, апостериорные и правдоподобие, прочтите следующие абзацы:

Когда Байесовская модель действительно используется, конечный пользователь применяет свидетельства о недавних событиях или наблюдениях. Эта информация применяется к модели путем «создания экземпляра» или «фиксации» переменной до состояния, согласующегося с наблюдением. Затем выполняется математическая механика для обновления вероятностей всех других переменных, связанных с переменной, представляющей новое свидетельство.

После вывода обновленные вероятности отражают новые уровни уверенности (или вероятности) во всех возможных исходах, закодированных в модели. Эти убеждения опосредованы исходной оценкой убеждений, выполненной автором модели.

Убеждения, изначально закодированные в модели, известны как априорные вероятности, потому что они вводятся до того, как становятся известны какие-либо данные о ситуации. Убеждения, вычисляемые после ввода данных, называются апостериорными вероятностями, поскольку они отражают уровни убеждений, рассчитанные в свете новых данных.

*Эта заметка содержит несколько дословно скопированных абзацев из следующих двух источников. Думайте об этой заметке как обо всех вещах, которые я бы выделил при чтении из источников, перечисленных ниже.

[A] http://research.microsoft.com/en-us/um/redmond/groups/adapt/msbnx/msbnx/basics_of_bayesian_inference.htm

[B] https://cran.r-project.org/web/packages/LaplacesDemon/vignettes/BayesianInference.pdf