これらのキーワードがハイライトされています: Bayes推定 ベイズ推定

階層ベイズ (hierarchical Bayes)

通常の非階層的なベイズモデルではデータが与えられたときのパラメータの事後分布ベイズの定理により次式で与えられる \[\Pr[\theta|D]\propto\Pr[D|\theta]\Pr[\theta]\] すなわち,\(\Pr[\theta]\) に従ってパラメータ \(\theta\) が発生し,そのパラメータの下でデータ \(D\) が \(\Pr[D|\theta]\) に従って発生する.

それを多段階にしたのが階層ベイズモデル. 超パラメータ \(\eta\) が \(\Pr[\eta]\) に従って発生,その超パラメータの下でパラメータ \(\theta\) が \(\Pr[\theta|\eta]\) に従って発生,さらに,そのパラメータの下でデータ \(D\) が \(\Pr[D|\theta]\) に従って発生する.このモデルの下で,パラメータと超パラメータの事後分布は,やはりベイズの定理を用いて次式で与えられる. \[\Pr[\theta,\eta|x]\propto\Pr[D|\theta]\Pr[\theta|\eta]\Pr[\eta]\]

データが幾つかのグループに分かれている場合に,グループに共通する要因を超パラメータの事前分布モデル化するとよい結果が得られる場合がある.例えば,今日のデータのモデルと昨日のデータのモデルを作りたいとする.これらは確かに違う振る舞いもするが,共通の要因もある.そこで共通要因を \(\Pr[\theta|\eta]\) で表し,今日と昨日のデータを別個に \(\Pr[D_\mathrm{today}|\theta]\) と \(\Pr[D_\mathrm{yesterday}|\theta]\) のようにモデル化したりする.

超パラメータの先をさらに階層化して3段階以上にすることも考えられる.

-- しましま

関連項目

リンク集

関連文献


トップ   編集 凍結 差分 履歴 添付 複製 名前変更 リロード   新規 一覧 検索 最終更新   ヘルプ   最終更新のRSS
Last-modified: 2010-04-15 (木) 15:30:27