Bayesi segu pöördkursse regressiooni

Link: https://stat.duke.edu/~km68/BMI.htm

Kasutuselevõtt

See on Matlab rakendamise järelevalve all mõõtmeid vähendada meetod pakutud K. Mao et ai. (2009), mis kasutab Bayesi Segu mudelid inversses regressiooni stsenaariumi. Kood mõistab Markovi ahel Monte Carlo menetluse, et paber ja naaseb posterior juhib koguste nagu tõhus mõõtmeid vähendada suunas (EDR), kust järeldada saab ja ebakindlust saab mõõta. Lae siin.

Lühike Õpetus

Unzip faili allalaadimist. Et alustada, veenduge, et kausta “BMI /” ja sub kataloogid ja failid on otsi teed Matlab. Sisend treeningu andmed peaksid sisaldama vähemalt vastuse vektor Y, kovariandina maatriks X rida tähelepanekuid ja sambad selgitav / sisendmuutujatega täisarv täpsustatakse mitmeid EDR suundades struktuuri ja täpsustamata, kas vastus on pidev või diskreetne ja vastavate parameetrite tuleb häälestada. Programm naaseb tagumises keskmine ja tagumise juhib eest EDR suundades. Veel üksikasjaliku selgituse sisendid ja väljundid tüüp “abi BMI” käsureal.

Näited

Mõõtmed vähendamise

Me illustreerivad kuidas mõõtme vähendamine võib teha käesolevas paragrahvis arvestades klassifikatsiooni probleemiks käsitsi numbrit. Üheks illustratsiooniks kohaline andmed on toodud joonisel 1. Iga märk on esindatud 28 * 28 = 784 vektorit, mis sisaldab piksliväärtuse.

\includegraphics[totalheight=2.5in]{digifig.jpg}

Joonis 1: Näide käsitsi kohaline andmete 1-9.

Oletame, et me tahame liigitada kohaline “5” ja number “8”. Me võime koguda 100 proovi iga numbri ning label kohaline “5”, nagu vastuseks = 1 ja kohaline “8” reaktsiooni kujul = 0, nii et ühismuutujaid X on 200 * 784 maatriksit piksliväärtuse ja vastust Y on 200 vektori klassi sildid. Me ei kirjuta käsureale:

[B, Bpost] = KMI (Y, X, 1, res, “T”)

kus neljas argument on struktuuri elemendid:

res.type = ‘d “: vastus on diskreetne; res.alpha0 = 1: kontsentratsioon parameeter = 1

Viies argument “T” ütleb programmi vaja eeltöödelda andmetel põhimõte komponendi analüüsi, kuna sel juhul mitmeid sisendmuutujatega on suurem kui valimi suurus.

Nüüd Bpost, et 784 * 1000 maatriksi, sisaldab posterior proovidest EDR ja B on orthonormalized versiooni keskmine Bpost. “tähendavad (Bpost, 2)” ja “std (Bpost, 0,2)” tagasi tagumises keskväärtus ja standardhälve sellest suunast, nii 784 vektorid. Meil võib joonistada neid visuaalselt sõbralik viisil “imagesc (ümber kujundada (keskmine (Bpost, 2), 28,28))” ja “imagesc (ümber kujundada (std (Bpost, 0,2), 28,28)”) “tulemustega on näidatud joonisel 2. punase osa vasakus paneel on täpselt piirkonnas, mis eristab kohaline” 5 “ja” 8 “, seega, kui me projekti algandmeid peale seda suunda saame kohe täita klassifikatsioon. Õigus paneel näitab väikest ebakindlust.

\includegraphics[totalheight=2.5in]{digi58topf.jpg}

Joonis 2: Vasakul on tagumise keskmise ja paremal pool on tagumises standardhälbe top mõõtmeid vähendada suunas.

Comments are closed.