किसी दिए गए निष्कर्ष की समस्या के लिए, हम जानते हैं कि बायेसियन दृष्टिकोण आम तौर पर एक सामंतवादी दृष्टिकोण से दोनों रूपों और परिणामों में भिन्न होता है। फ़्रीक्विनिस्टर्स (आमतौर पर मुझे शामिल करते हैं) अक्सर बताते हैं कि उनके तरीकों को पूर्व की आवश्यकता नहीं है और इसलिए "निर्णय संचालित" की तुलना में अधिक "डेटा संचालित" हैं। बेशक, बायेसियन गैर-जानकारीपूर्ण पुजारी को इंगित कर सकता है, या, व्यावहारिक होने के नाते, बस पहले से वास्तव में फैलाना का उपयोग करें।
मेरी चिंता, विशेष रूप से मेरी सामंतवादी वस्तुनिष्ठता पर तस्करी का एक संकेत महसूस करने के बाद, शायद यह है कि मेरे कथित रूप से "उद्देश्य" तरीके एक बायेसियन ढांचे में तैयार किए जा सकते हैं, कुछ असामान्य पूर्व और डेटा मॉडल के साथ। उस मामले में, क्या मैं सिर्फ पहले से अविकसित पूर्वजन्म से अनभिज्ञ हूं और मेरे बारंबार विधि का मतलब है ?
यदि एक बायेसियन इस तरह के एक निर्माण ने कहा, मुझे लगता है कि मेरी पहली प्रतिक्रिया कहना होगा "ठीक है, कि का अच्छा आप ऐसा कर सकते हैं, लेकिन कैसे मुझे लगता है कि नहीं है लगता है समस्या के बारे में!"। हालांकि, कौन परवाह करता है कि मैं इसके बारे में कैसे सोचता हूं , या मैं इसे कैसे तैयार करता हूं। अगर मेरी प्रक्रिया सांख्यिकीय रूप से / गणितीय रूप से कुछ बायेसियन मॉडल के समतुल्य है , तो मैं अंतर्निहित ( अनजाने में !) बायेसियन इंजेक्शन लगा रहा हूं ।
नीचे वास्तविक प्रश्न
इस अहसास ने स्मॉग होने के किसी भी प्रलोभन को कम कर दिया। हालाँकि, मुझे यकीन नहीं है कि अगर यह सच है कि बायेसियन प्रतिमान सभी बार-बार होने वाली प्रक्रियाओं को फिर से समायोजित कर सकता है, बशर्ते कि बायेसियन एक उपयुक्त पूर्व और संभावना का चयन करें) । मैं जानता हूँ कि बातचीत है झूठी।
मैं यह पूछता हूं क्योंकि मैंने हाल ही में सशर्त निष्कासन के बारे में एक प्रश्न पोस्ट किया था, जिसने मुझे निम्नलिखित कागज पर ले गया: यहां (देखें 3.9.5,3.9.6)
वे बसु के प्रसिद्ध परिणाम को इंगित करते हैं कि एक से अधिक सहायक आंकड़े हो सकते हैं, इस सवाल को भीख मांगते हुए कि "प्रासंगिक सबसेट" सबसे अधिक प्रासंगिक है। इससे भी बदतर, वे दो उदाहरण दिखाते हैं जहां, भले ही आपके पास एक अद्वितीय सहायक सांख्यिकी हो, यह अन्य प्रासंगिक उप-समूहों की उपस्थिति को समाप्त नहीं करता है।
वे इस निष्कर्ष पर जाते हैं कि केवल बेयसियन तरीके (या उनके समतुल्य तरीके) इस समस्या से बच सकते हैं, जिससे अनुत्पादक सशर्त प्रवेश की अनुमति मिलती है।
यह मामला नहीं हो सकता है कि बायेसियन आँकड़े Fequentist आँकड़े - यहां इस समूह के लिए मेरे सवाल है कि। लेकिन यह प्रतीत होता है कि दो प्रतिमानों के बीच एक मौलिक विकल्प लक्ष्यों की तुलना में दर्शन में कम है: क्या आपको उच्च सशर्त सटीकता या कम बिना शर्त त्रुटि की आवश्यकता है:
उच्च सशर्त सटीकता तब लागू होती है जब हमें एक विलक्षण उदाहरण का विश्लेषण करना होता है - हम इस विशेष निष्कर्ष के लिए सही होना चाहते हैं, इस तथ्य के बावजूद कि यह विधि अगले डेटासेट (अति-सशर्तता / विशेषज्ञता) के लिए उपयुक्त या सटीक नहीं हो सकती है।
जब हम कुछ मामलों में सशर्त रूप से गलत अनुमान लगाते हैं, तो कम बिना शर्त त्रुटि तब उचित होती है, जब तक कि हमारी दीर्घकालीन त्रुटि को कम या नियंत्रित किया जाता है। ईमानदारी से, यह लिखने के बाद, मुझे यकीन नहीं है कि मैं यह क्यों चाहूंगा जब तक कि मैं समय के लिए बंधी नहीं हूं और बायेसियन विश्लेषण नहीं कर सकता ... हम्म।
मैं संभावना आधारित फेकेंटिस्ट इंट्रेंस का पक्ष लेता हूं, क्योंकि मुझे संभावना फ़ंक्शन से कुछ (एसिमैप्टिक / अनुमानित) सशर्तता मिलती है, लेकिन पहले से फील करने की जरूरत नहीं है - हालांकि, मैं बायसेनियन इन्वेंशन के लिए तेजी से सहज हो गया हूं, खासकर अगर मैं छोटे नमूने के लिए पूर्व आ नियमितीकरण शब्द देखता हूं ।
एक तरफ के लिए क्षमा करें। मेरी मुख्य समस्या के लिए किसी भी मदद की सराहना की है।
