आप अनिवार्य रूप से एक बहुत ही दिलचस्प सवाल पूछ रहे हैं: क्या मुझे "एमएपी बायेसियन" का उपयोग करके भविष्यवाणी करना चाहिए " अधिकतम एक पोस्टीरियर आकलन या" रियल बायेसियन "।
P(H)=0.22080
argmaxθf(x|θ)
यह साबित करना मुश्किल नहीं है कि ऐसा करके आप अनुमानित त्रुटि (0-1 नुकसान) को कम कर सकते हैं। प्रमाण सांख्यिकीय अध्ययन के परिचय के ~ पृष्ठ 53 में पाया जा सकता है ।
ऐसा करने का एक और तरीका है जिसे "रियल बेयसियन" दृष्टिकोण कहा जाता है। मूल रूप से आप "उच्चतम संभावना वाले परिणाम का चयन करने की कोशिश नहीं कर रहे हैं, लेकिन सभी मामलों को संभावित रूप से समझें" इसलिए, यदि कोई आपसे "अगले 100" पूर्वानुमान की भविष्यवाणी करता है, तो आपको उसे रोकना चाहिए, क्योंकि जब आपने 100 द्विआधारी परिणाम दिए थे। प्रत्येक परिणाम के लिए संभाव्य सूचना गायब हो जाती है। इसके बजाय, आपको पूछना चाहिए कि परिणाम जानने के बाद आप क्या करना चाहते हैं।
मान लीजिए कि उसके पास कुछ नुकसान फ़ंक्शन है (उदाहरण के लिए, 0-1 के नुकसान के लिए आवश्यक नहीं है, नुकसान फ़ंक्शन हो सकता है, यदि आप एक सिर को याद करते हैं, तो आपको $ 1 का भुगतान करने की आवश्यकता होती है , लेकिन यदि आप एक पूंछ को याद करते हैं, तो आपको भुगतान करने की आवश्यकता है आपकी भविष्यवाणी पर $ 5, यानी असंतुलित नुकसान), तो आपको पूरे वितरण पर नुकसान को कम करने के लिए परिणाम वितरण के बारे में अपने ज्ञान का उपयोग करना चाहिए
∑x∑yp(x,y)L(f(x),y)
, यानी, "स्टेज-वाइज रास्ता" के बजाय, वितरण के बारे में अपने ज्ञान को शामिल करें, भविष्यवाणियां प्राप्त करें और अगले चरण करें।
क्या अधिक है, आपके पास बहुत अच्छा अंतर्ज्ञान है जब कई संभावित परिणाम होंगे। यदि परिणाम की संख्या बड़ी है और संभाव्यता द्रव्यमान व्यापक रूप से फैला हुआ है, तो एमएपी का अनुमान अच्छी तरह से काम नहीं करेगा। आप के बारे में सोचो एक 100 पक्ष पासा है, और तुम सच वितरण पता है। जहाँ , और । अब आप MAP के साथ क्या करते हैं? आप हमेशा अनुमान लगाएंगे कि आपको पहला पक्ष , क्योंकि इसमें दूसरों की तुलना में सबसे बड़ी संभावना है। हालाँकि आप बार गलत होंगे !!P ( S 2 ) = P ( S 3 ) = P ( S 100 ) = 0.9 / 99 = 0.009090 S 1 90 %P(S1)=0.1P(S2)=P(S3)=P(S100)=0.9/99=0.009090S190%