Модели смещенных монет обычно имеют один параметр . Один из способов оценить θ по серии тиражей - использовать предварительное бета-тестирование и вычислить апостериорное распределение с биномиальной вероятностью.
В моих настройках из-за какого-то странного физического процесса свойства моей монеты медленно меняются, и становится функцией времени t . Мои данные представляют собой набор упорядоченных черпает ИЭ { H , T , H , H , H , T , . , , } . Я могу считать, что у меня есть только одна ничья для каждого t на сетке дискретного и регулярного времени.
Как бы вы смоделировали это? Я думаю о чем-то вроде фильтра Калмана, адаптированного к тому факту, что скрытая переменная равна и сохраняет биномиальную вероятность. Что я мог бы использовать для моделирования P ( θ ( t + 1 ) | θ ( t ) ), чтобы сделать вывод выводимым?
Отредактируйте следующие ответы (спасибо!) : Я хотел бы смоделировать как цепь Маркова порядка 1, как это делается в фильтрах HMM или Kalman. Единственное предположение, которое я могу сделать, это то, что θ ( t ) является гладким. Я мог бы написать P ( θ ( t + 1 ) | θ ( t ) ) = θ ( t ) + ϵ с ϵ небольшим гауссовским шумом (идея фильтра Калмана), но это нарушило бы требование, чтобы θ оставалось в [ 0 . Следуя идее @J Dav, я мог бы использовать функцию пробита, чтобы отобразить действительную линию на [ 0 , 1 ] , но у меня есть интуиция, что это даст неаналитическое решение. Бета-распределение со средним значением θ ( t ) и более широкой дисперсией может помочь.
Я задаю этот вопрос, так как у меня такое ощущение, что эта проблема настолько проста, что, должно быть, ее уже изучали раньше.
источник
Ответы:
Я сомневаюсь, что вы можете придумать модель с аналитическим решением, но вывод по-прежнему можно сделать возможным, используя правильные инструменты, поскольку структура зависимостей вашей модели проста. Как исследователь машинного обучения, я бы предпочел использовать следующую модель, так как вывод можно сделать довольно эффективным, используя технику распространения ожиданий:
Если вы заинтересованы в реализации алгоритма логического вывода, взгляните на эту статью . Они используют очень похожую модель, поэтому вы можете легко адаптировать алгоритм. Для понимания EP следующая страница может оказаться полезной. Если вы заинтересованы в реализации этого подхода, дайте мне знать; Я могу дать более подробный совет о том, как реализовать алгоритм вывода.
источник
источник
Чтобы ответить на ваш переизданный вопрос:
Как вы сказали, использование пробита подразумевает только численные решения, но вместо этого вы можете использовать логистическую функцию:
источник