bnlearn::bn."mle"和"bayes"方法的拟合差异及计算
bnlearn::bn.fit difference and calculation of methods "mle" and "bayes"
我在bnlearn.
包的bn.fit函数中尝试理解bayes和mle两种方法的区别
我知道频率论者和贝叶斯方法之间关于理解概率的争论。在理论层面上，我认为最大似然估计 mle 是一种简单的频率论方法，将相对频率设置为概率。但是要进行哪些计算才能得到 bayes 估计值？我已经查看了 bnlearn documenation, the description of the bn.fit function and some application examples，但没有任何地方对正在发生的事情进行真实描述。
我还试图通过首先查看 bnlearn::bn.fit、bnlearn:::bn.fit.backend、bnlearn:::smartSapply 来理解 R 中的函数，但后来我卡住了。
当我将这个包用于学术工作时，我将不胜感激，因此我应该能够解释发生了什么。
bnlearn::bn.fit 中的贝叶斯参数估计适用于离散变量。关键是可选的 iss 参数："the imaginary sample size used by the bayes method to estimate the conditional probability tables (CPTs) associated with discrete nodes".
因此，对于某些网络中的二进制根节点X，bnlearn::bn.fitreturns(Nx + iss / cptsize) / (N + iss)中的bayes选项作为[=的概率16=]，其中N是你的样本数，Nx是X = x的样本数，cptsize是X的CPT大小；在这种情况下 cptsize = 2。相关代码在 bnlearn:::bn.fit.backend.discrete 函数中，特别是行：tab = tab + extra.args$iss/prod(dim(tab))
因此，iss / cptsize 是 CPT 中每个条目的假想观察数，与 N 相反，'real' 观察数。使用 iss = 0 您将获得最大似然估计，因为您没有先前的假想观察。
相对于 N，iss 越高，先验对后验参数估计的影响就越大。固定的iss和增长的N，贝叶斯估计量和最大似然估计量收敛到同一个值。
一个常见的经验法则是使用一个小的非零值 iss，这样您就可以避免 CPT 中的零条目，对应于数据中未观察到的组合。这样的零条目可能会导致网络泛化能力很差，例如 Pathfinder system.
的一些早期版本
关于贝叶斯参数估计的更多细节你可以看看Koller and Friedman的书。我想许多其他贝叶斯网络书籍也涵盖了这个主题。
我在bnlearn.
bn.fit函数中尝试理解bayes和mle两种方法的区别
我知道频率论者和贝叶斯方法之间关于理解概率的争论。在理论层面上，我认为最大似然估计 mle 是一种简单的频率论方法，将相对频率设置为概率。但是要进行哪些计算才能得到 bayes 估计值？我已经查看了 bnlearn documenation, the description of the bn.fit function and some application examples，但没有任何地方对正在发生的事情进行真实描述。
我还试图通过首先查看 bnlearn::bn.fit、bnlearn:::bn.fit.backend、bnlearn:::smartSapply 来理解 R 中的函数，但后来我卡住了。
当我将这个包用于学术工作时，我将不胜感激，因此我应该能够解释发生了什么。
bnlearn::bn.fit 中的贝叶斯参数估计适用于离散变量。关键是可选的 iss 参数："the imaginary sample size used by the bayes method to estimate the conditional probability tables (CPTs) associated with discrete nodes".
因此，对于某些网络中的二进制根节点X，bnlearn::bn.fitreturns(Nx + iss / cptsize) / (N + iss)中的bayes选项作为[=的概率16=]，其中N是你的样本数，Nx是X = x的样本数，cptsize是X的CPT大小；在这种情况下 cptsize = 2。相关代码在 bnlearn:::bn.fit.backend.discrete 函数中，特别是行：tab = tab + extra.args$iss/prod(dim(tab))
因此，iss / cptsize 是 CPT 中每个条目的假想观察数，与 N 相反，'real' 观察数。使用 iss = 0 您将获得最大似然估计，因为您没有先前的假想观察。
相对于 N，iss 越高，先验对后验参数估计的影响就越大。固定的iss和增长的N，贝叶斯估计量和最大似然估计量收敛到同一个值。
一个常见的经验法则是使用一个小的非零值 iss，这样您就可以避免 CPT 中的零条目，对应于数据中未观察到的组合。这样的零条目可能会导致网络泛化能力很差，例如 Pathfinder system.
关于贝叶斯参数估计的更多细节你可以看看Koller and Friedman的书。我想许多其他贝叶斯网络书籍也涵盖了这个主题。