Upload
adtech-sat
View
315
Download
0
Embed Size (px)
Citation preview
おさらい 確率の基本法則
確率の基本法則加法定理(周辺化)
乗法定理
not click click広告A 950 50
広告B 1400 100X
Y
p(X=広告A) = p(X=広告A, Y=not click) + p(X=広告A, Y=click)
p(X=広告B, Y=click) = p(Y=click | X = 広告B) p(X = 広告B)
おさらい ベイズの定理
ベイズの定理
乗法定理および対称性p(X, Y) = p(Y, X)より
事後確率 ∝ 尤度 × 事前確率
推測されるCTR ∝ 観測データ × CTRは大体このくらい
ベイズモデルは、 推定するパラメータの不確実性を確率分布として表す
おさらい GLMのベイズ化②
データ(目的変数) 各個体の種子数Y[i]個
データ(説明変数) 各個体のサイズX[i]
ポアソン分布 平均λ[i]
傾きbeta2
切片beta1
無情報事前分布 無情報事前分布
おさらい GLMM①
「人間が測定できない・測定しなかった個体差」を一般化線形モデル(GLM)に組み込んだもの
例えば, データ(説明変数上)のばらつきは二項分布・ポアソン分布
+ 個体のばらつきは正規分布
複数の確率分布を部品とする統計モデル
おさらい GLMM②
調査種子数Ni=8
生存種子数yi=6
個体iの生存確率qiは,
βは全個体共通のパラメータ
riは個体差,平均ゼロで標準偏差sの正規分布に従う
個体iの生存種子数yiは二項分布に従う
本題 GLMMのベイズ化!!!①
データ(目的変数) 種子8個中のY[i]個が生存
二項分布 生存確率q[i] 個体差 r[i]
全個体共通 beta 正規分布 標準偏差 s
推定したい事後分布∝p(Y|β, {ri}) ×事前分布
本題 GLMMのベイズ化!!!②
データ(目的変数) 種子8個中のY[i]個が生存
二項分布 生存確率q[i] 個体差 r[i]
全個体共通 beta 正規分布 標準偏差 s
無情報事前分布 平均ゼロで標準偏差100の正規分布
事前分布
本題 GLMMのベイズ化!!!③
データ(目的変数) 種子8個中のY[i]個が生存
二項分布 生存確率q[i] 個体差 r[i]
全個体共通 beta 正規分布 標準偏差 s
事前分布
無情報事前分布 平均ゼロで標準偏差100の正規分布
本題 GLMMのベイズ化!!!④
データ(目的変数) 種子8個中のY[i]個が生存
二項分布 生存確率q[i] 個体差 r[i]
全個体共通 beta 正規分布 標準偏差 s
階層事前分布
無情報事前分布 0から104までの連続一様分布
超事前分布無情報事前分布
平均ゼロで標準偏差100の正規分布
無情報事前分布 平均ゼロで標準偏差100の正規分布
本題 GLMMのベイズ化!!!④
データ(目的変数) 種子8個中のY[i]個が生存
二項分布 生存確率q[i] 個体差 r[i]
全個体共通 beta 正規分布 標準編 s
階層事前分布
無情報事前分布 0から104までの連続一様分布
超事前分布
階層事前分布を使っているベイズ統計モデル 階層ベイズモデル
階層ベイズモデルの事後分布推定
RとWinBUGSを使ってMCMCサンプリング
-10 -5 0 5 10 0 2 4 6
βの事後分布 sの事後分布
-10 -5 0 5 10 -10 -5 0 5 10 -10 -5 0 5 10
個体差riの事後分布例
ベイズモデルで使う事前分布
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
主観的な事前分布 無情報事前分布 階層事前分布
こう! わからない! sによって 変わる
sの超事前分布
パラメータの種類 説明する範囲 同じようなパラメータの個数
事前分布
全体に共通 大域的 少数 無情報事前分布
個体・グループごと 局所的 多数 階層事前分布