Do những trở ngại thực dụng khác

Do những trở ngại thực dụng khác nhau, rất hiếm khi phân tích nhiệm vụ quan trọng được thực hiện theo cách thức hoàn toàn của Bay Bayes, tức là, không cần sử dụng các công cụ thường xuyên thử và đúng ở các giai đoạn khác nhau. Triết lý và vẻ đẹp sang một bên, độ tin cậy và hiệu quả của các tính toán cơ bản theo yêu cầu của khung Bayes là những vấn đề thực tế chính. Một vấn đề kỹ thuật trung tâm ở trung tâm của điều này là việc tối ưu hóa (đáng tin cậy và hiệu quả) ở các chiều cao hơn nhiều so với việc tích hợp trong các kích thước cao. Do đó, các phương pháp học máy làm việc, trong khi có những nỗ lực liên tục để điều chỉnh chúng với khung Bayes, hầu như đều bắt nguồn từ các phương pháp thường xuyên. Một công việc xung quanh là thực hiện suy luận bản đồ, dựa trên tối ưu hóa. Những người dùng phương pháp ước tính Bayes, trong thực tế, có khả năng sử dụng hỗn hợp các công cụ Bayes và thường xuyên. Điều ngược lại cũng đúng là các nhà phân tích dữ liệu không phù hợp với người khác, ngay cả khi họ vẫn chính thức trong khuôn khổ thường xuyên, thường bị ảnh hưởng bởi tư duy của Bay Bayes, thì đề cập đến các giáo viên của Priors và các giáo viên của các giáo viên. Vị trí được khuyến khích nhất có lẽ là để biết rõ cả hai mô hình, để đưa ra những đánh giá sáng suốt về những công cụ nào cần áp dụng trong tình huống nào.

Due to the various pragmatic obstacles, it is rare for a mission-critical analysis to be done in the “fully Bayesian” manner, i.e., without the use of tried-and-true frequentist tools at the various stages. Philosophy and beauty aside, the reliability and efficiency of the underlying computations required by the Bayesian framework are the main practical issues. A central technical issue at the heart of this is that it is much easier to do optimization (reliably and efficiently) in high dimensions than it is to do integration in high dimensions. Thus the workhorse machine learning methods, while there are ongoing efforts to adapt them to Bayesian framework, are almost all rooted in frequentist methods. A work-around is to perform MAP inference, which is optimization based.Most users of Bayesian estimation methods, in practice, are likely to use a mix of Bayesian and frequentist tools. The reverse is also true—frequentist data analysts, even if they stay formally within the frequentist framework, are often influenced by “Bayesian thinking,” referring to “priors” and “posteriors.” The most advisable position is probably to know both paradigms well, in order to make informed judgments about which tools to apply in which situations.

Jake Vanderplas, Statistics, Data Mining, and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey Data

Danh ngôn cuộc sống hay nhất mọi thời đại

Viết một bình luận