Powtórzenie regresji frekwentystycznej z użyciem lm(), wprowadzenie do regresji bayesowskiej z użyciem stan_glm() oraz porównanie wyników obu podejść.

Regresja liniowa – podejście częstościowe

Eksploracja danych

Dopasowywanie modelu regresji liniowej w podejściu częstościowym

Bayesowska regresja liniowa

Dopasowywanie bayesowskiego modelu regresji liniowej

Kryterium zbieżności

Ocena zbieżności modelu

Porównanie metod częstościowych i bayesowskich

Różnica między podejściem frekwentystycznym a bayesowskim

Tworzenie przedziałów wiarygodności

Wprowadzenie do bayesowskich modeli liniowych

Dowiedz się, jak modyfikować model bayesowski: zmieniać liczbę i długość łańcuchów, dostosowywać rozkłady a priori oraz dodawać predyktory.

Co kryje się w modelu bayesowskim?

Modyfikowanie łańcuchów

Czy mam wystarczającą liczbę iteracji?

Rozkłady a priori

Określanie rozkładów a priori

Obliczanie dostosowanych skali

Rozkłady a priori bez korekty

Priors określane przez użytkownika

Zmiana rozkładów a priori

Określanie informatywnych rozkładów a priori

Konsekwencje informatywnych priorytetów

Modyfikowanie procesu estymacji

Modyfikowanie opcji estymacji

Modyfikowanie modelu bayesowskiego

W tym rozdziale nauczysz się oceniać, czy wyestymowany model dobrze pasuje do danych, oraz porównywać ze sobą konkurencyjne modele.

Korzystanie ze statystyki R kwadrat

Obliczanie R-kwadrat metodą częstościową

R-kwadrat dla modelu bayesowskiego

Posterioryczne sprawdzanie predykcji modelu

Rozkłady przewidywanych wyników

Rozkłady dla pojedynczej obserwacji

Dopasowanie modelu za pomocą posteriorycznych sprawdzeń predykcyjnych

Rozkład a posteriori R-kwadrat

Testowanie predykcyjne a posteriori

Bayesowskie porównywanie modeli

Obliczanie estymatora LOO

Porównywanie modeli

Ocena dopasowania modelu

W tym rozdziale dowiesz się, jak wykorzystać wyestymowany model do tworzenia wizualizacji oraz prognozowania na nowych danych.

Wizualizacja modelu bayesowskiego

Wizualizacja niepewności modelu

Tworzenie prognoz

Popularność obserwowanych piosenek

Popularność nowych piosenek

Wizualizacja predykcji

Formatowanie posteriorów predykcji

Wizualizacja nowych predykcji

Podsumowanie

Prezentacja i zastosowanie regresji bayesowskiej

Spotify dataset

Estymacja bayesowska to elastyczna alternatywa dla technik modelowania opartych na wartościach p. W tym kursie nauczysz się estymować modele regresji liniowej metodami bayesowskimi z użyciem pakietu rstanarm. Poznasz rozkłady a priori, sprawdzanie modelu na podstawie predykcji a posteriori oraz porównywanie modeli w podejściu bayesowskim. Dowiesz się też, jak wykorzystać wyestymowany model do prognozowania na nowych danych.

Bayesian Modeling with RJAGS

Introduction to Data Visualization with ggplot2

Intermediate Regression in R

Poznaj metody Bayesowskie, aby lepiej wnioskować o modelach regresji liniowej.

Bayesowskie modelowanie regresji z rstanarm

Poznaj metody estymacji bayesowskiej, by trafniej wnioskować o modelach regresji liniowej.

Naukowiec ds. uczenia maszynowego w R

Psychometrician, ATLAS, University of Kansas

Dopasowanie modelu z kontrolami predykcyjnymi a posteriori

Rozkład a posteriori R kwadrat

Histogram R kwadrat

Nakładanie gęstości

Testy predykcyjne a posteriori

Czas na ćwiczenia!

Ocena dopasowania modelu - Dopasowanie modelu za pomocą posteriorycznych sprawdzeń predykcyjnych

Dopasowanie modelu za pomocą posteriorycznych sprawdzeń predykcyjnych

Create Your Free Account