Séance de cours

Modèle dirichlet-multinomial

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

EE-209: Eléments de statistiques pour les data sciences

Théorie de l'estimation: estimateurs du maximum de vraisemblance, information de Fisher, inégalité de Cramer-Rao, intervalles de confiance. Tests d'hypothèses: cadre de Neyman-Pearson: test du rapport de vraisemblance, tests paramétriques et non-parmétriq ...

Description

Cette séance de cours couvre les mises à jour consécutives de l'a posteriori, la distribution de Dirichlet sur le simplex, l'inférence bayésienne dans le modèle multinomial avec un préalable de Dirichlet, la moyenne postérieure et la variance dans le modèle dirichlet-multinomial, les précédents conjugués et les attentes postérieures. Il traite également de la distribution prédictive et de l'estimation bayésienne d'une variable aléatoire multinomiale.

Enseignant·e

Florent Gérard Krzakala

Source officielle

Proximité ontologique

Statistique

Inférence statistique: Statistique bayésienne

Concepts associés (32)

Posterior predictive distribution

In Bayesian statistics, the posterior predictive distribution is the distribution of possible unobserved values conditional on the observed values. Given a set of N i.i.d. observations , a new value will be drawn from a distribution that depends on a parameter , where is the parameter space. It may seem tempting to plug in a single best estimate for , but this ignores uncertainty about , and because a source of uncertainty is ignored, the predictive distribution will be too narrow.

Bayes estimator

In estimation theory and decision theory, a Bayes estimator or a Bayes action is an estimator or decision rule that minimizes the posterior expected value of a loss function (i.e., the posterior expected loss). Equivalently, it maximizes the posterior expectation of a utility function. An alternative way of formulating an estimator within Bayesian statistics is maximum a posteriori estimation. Suppose an unknown parameter is known to have a prior distribution .

Inférence bayésienne

vignette|Illustration comparant les approches fréquentiste et bayésienne (Christophe Michel, 2018). L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. Le raisonnement bayésien construit, à partir d'observations, une probabilité de la cause d'un type d'événements.

Dirichlet-multinomial distribution

In probability theory and statistics, the Dirichlet-multinomial distribution is a family of discrete multivariate probability distributions on a finite support of non-negative integers. It is also called the Dirichlet compound multinomial distribution (DCM) or multivariate Pólya distribution (after George Pólya). It is a compound probability distribution, where a probability vector p is drawn from a Dirichlet distribution with parameter vector , and an observation drawn from a multinomial distribution with probability vector p and number of trials n.

Conjugate prior

In Bayesian probability theory, if the posterior distribution is in the same probability distribution family as the prior probability distribution , the prior and posterior are then called conjugate distributions, and the prior is called a conjugate prior for the likelihood function . A conjugate prior is an algebraic convenience, giving a closed-form expression for the posterior; otherwise, numerical integration may be necessary. Further, conjugate priors may give intuition by more transparently showing how a likelihood function updates a prior distribution.

Afficher plus

Séances de cours associées (64)

Estimation bayésienne : Aperçu et exemples

Introduit l'estimation bayésienne, qui couvre l'inférence classique par rapport à l'inférence bayésienne, les antécédents conjugués, les méthodes MCMC et des exemples pratiques comme l'estimation de la température et la modélisation de choix.

Essais d'hypothèse statistique

Couvre les tests d'hypothèses statistiques, les intervalles de confiance, les valeurs p et les niveaux de signification dans les tests d'hypothèses.

Inférence bayésienne : Avant gaussien pour la moyenne

Discute de l'inférence bayésienne pour la moyenne d'une distribution gaussienne avec variance connue, couvrant la moyenne postérieure, la variance et l'estimateur MAP.

Sexing Guppy Fish: Règles d'inférence et de décision bayésiennes

Couvre le sexage des poissons guppy en utilisant l'inférence bayésienne et les règles de décision.

Inférence bayésienne: Modèle Beta-Bernoulli

Explore la distribution bêta, l'inférence bayésienne et le calcul postérieur dans le modèle Beta-Bernoulli.

Afficher plus

Concepts associés (32)

Posterior predictive distribution

Bayes estimator

Inférence bayésienne

Dirichlet-multinomial distribution

Conjugate prior

Afficher plus